---

前言

最近觉得自己以往作品的界面有点简陋，打算认真设计一下，顺便借一下 YOLOv11 的热度~~ 这次的界面美化了pyqt5 ui，且涵盖了许多功能，如推理图像、视频处理、摄像头接入、目标统计（总数和单数）、帧状态回溯等等，且不仅支持v11模型、v8、v10都可以使用，具体效果可以观看我在下方放的视频。
项目中包含我整理的一些主流改进方案，以及 500+ 主干网替换的优化。目前界面和改进在持续更新中，欢迎大家关注！

---

视频效果

---

必要环境

1. 配置yolov11环境 可参考往期博客
   地址：搭建YOLOv11环境 训练+推理+模型评估+简单的小界面
   

---

一、界面功能概述

1. 运行方法

python 1_yolo_pyqt.py --weights yolo11n.pt

• –weights 选择模型，支持该项目下训练出来的所有模型，同时除v11外，同样支持yolov8、yolov10

2. 图像

选择图像:

• 选择一个图像文件，软件会自动推理该图像，并将结果展现在界面中

表格信息:

• 图像名称
• 目标序号
• 目标类别
• 目标置信度
• 推理用时
• 目标坐标
• 保存路径

统计信息:

• 目标总数
• 每个小类别的数量（显示在右下角）

IOU和NMS调节:

• 可调节 IOU 阈值和 NMS 阈值来调整目标框数量

目标框显示:

• 点击表格中任意位置（对应不同目标序号），可单独显示该序号的目标框及标号
• 点击表头可显示所有目标及标号
• 可在下拉列表中选择单独目标序号进行显示

3. 文件夹

选择文件夹:

• 选择一个文件夹，软件会自动推理该文件夹中的所有图片

进度显示:

• 推理的过程中会出现一个小进度条来显示处理进度

推理结果:

• 点击表格中的信息可以显示不同图片的推理结果，其余功能与检测图像相同

4. 视频、摄像头

进度显示:

• 推理的过程中会出现一个小进度条来显示处理进度

实时检测:

• 在视频运行过程中，点击保存按钮或使用 Ctrl+S 实时获取对应帧的检测结果
• 可以实时调节 IOU 阈值和 NMS 阈值

帧状态回溯:

• 关闭视频后，可以通过列表中的信息回溯到对应帧的状态

• 若需保存某一帧的推理图像，通过列表跳转到该位置，然后点击保存按钮或使用 Ctrl+S 来保存

• 推理摄像头: 推理摄像头的功能与推理视频一致，此处不再过多介绍

5. 替换界面中的模型

• 将yolov11_qt.py代码中 --weights 参数替换成你的模型路径
• 例如：parser.add_argument('--weights', default=r"yolov8n.pt", type=str, help='weights path')
• 支持YOLOv8、YOLOv10以及全部在项目目录中训练出来的模型

5. 鼠标悬浮

• 鼠标悬浮在按钮处可查看输入路径，悬浮在右上角处可在运行的过程中查看使用方法

二、训练改进模型

运行方法

假设我们要训练yolov11+mobilenetv4主干网

python 2_train.py --weights refinedModel/backbone/yolov11_mobilenetv4_conv_aa_large.yaml --epoch 200 --batch 16 --workers 0

假设我们要训练yolov11+mobilenetv4主干网+mpdiouloss

python 2_train.py --weights refinedModel/backbone/yolov11_mobilenetv4_conv_aa_large.yaml --epoch 200 --batch 16 --workers 0 --mpdiou True

效果

运行成功后会打印log信息

---

三、 关键参数解析

# 解析命令行参数
parser = argparse.ArgumentParser(description='Train or validate YOLO model.')
#想用哪个loss直接把对应的变量改为True即可，全部填写False这里默认使用ciouloss进行训练
parser.add_argument('--mpdiou', type=str, default=False, help='Whether to use mpdiou or not (True/False)')
parser.add_argument('--diou', type=str, default=False, help='Whether to use diou or not (True/False)')
parser.add_argument('--giou', type=str, default=False, help='Whether to use giou or not (True/False)')
parser.add_argument('--siou', type=str, default=False, help='Whether to use siou or not (True/False)')
parser.add_argument('--eiou', type=str, default=False, help='Whether to use eiou or not (True/False)')
parser.add_argument('--shapeiou', type=str, default=False, help='Whether to use shapeiou or not (True/False)')
# 是否使用nwdloss
parser.add_argument('--usenwd', type=str, default=False, help='Whether to use NWDLoss or not (True/False)')
# iou使用比例
parser.add_argument('--iou_ratio', type=float, default=0.5,
                    help='Intersection over Union (IoU) threshold for NWDLoss')

# train用于训练原始模型  val 用于得到精度指标
parser.add_argument('--mode', type=str, default='train', help='Mode of operation.')

# 训练时此处填写yaml文件路径 推理时此处填写网络结构.yaml文件路径
parser.add_argument('--weights', type=str, default=r'refinedModel/yolo11-ImprovedSimAM.yaml', help='Path to model file.')
# 数据集存放路径
parser.add_argument('--data', type=str, default='data/data.yaml', help='Path to data file.')

parser.add_argument('--epoch', type=int, default=100, help='Number of epochs.')
parser.add_argument('--batch', type=int, default=8, help='Batch size.')
parser.add_argument('--workers', type=int, default=0, help='Number of workers.')
parser.add_argument('--device', type=str, default='0', help='Device to use.')
parser.add_argument('--name', type=str, default='', help='Name data file.')
args = parser.parse_args()

关键参数详解：

• –mpdiou: 指定是否使用 MPD IoU 损失。填写 True 或 False，默认为 False

• –diou: 指定是否使用 DIoU 损失。填写 True 或 False，默认为 False

• –giou: 指定是否使用 GIoU 损失。填写 True 或 False，默认为 False

• –siou: 指定是否使用 SIoU 损失。填写 True 或 False，默认为 False

• –eiou: 指定是否使用 EIou 损失。填写 True 或 False，默认为 False

• –shapeiou: 指定是否使用 Shape IoU 损失。填写 True 或 False，默认为 False

• –usenwd: 指定是否使用 NWD 损失。填写 True 或 False，默认为 False。NWD 损失可以改善小目标的检测性能

• –iou_ratio: 设置 IoU 阈值，用于 NWD 损失的计算。默认为 0.5 该参数影响损失函数的敏感度

• –mode: 指定操作模式。填写 train 用于训练模型，填写 val 用于验证模型的精度 默认为 train

• –weights: 填写预训练模型的路径。如果不使用预训练模型，则此处可以为空 默认为 refinedModel/yolo11-ImprovedSimAM.yaml

• –data: 数据集存放路径。填写数据集配置文件的路径，默认为 data/data.yaml

• –epoch: 设置训练的轮数。默认为 100 增加轮数可以提高模型的性能，但也可能导致过拟合

• –batch: 设置批处理大小。默认为 8 批处理大小影响训练速度和内存占用

• –workers: 设置加载数据的工作线程数。默认为 0

• –device: 指定使用的设备。默认为 0，表示使用第一个 GPU。如果为 cpu，则在 CPU 上运行

• –name: 指定数据文件的名称。默认为空字符串，可以用于标识实验或结果

---

总结

yolo是真卷呐，版本号一会儿一变的 看不过来了…

本期博客就到这里啦 如有问题，欢迎评论区交流~~

学习交流群：995760755