### 修改现有 Python PyQt 代码以实现 YOLO 检测结果显示在 QTableWidget 表格中的方法 为了将 YOLO 的检测结果展示到 `QTableWidget` 中，可以按照以下方式调整代码逻辑： #### 数据结构准备 YOLO 返回的检测结果通常是一个字典列表，其中每条记录包含了 ID、文件路径、类别名称、置信度以及边界框坐标等信息。这些字段可以通过遍历模型预测结果提取。 #### 设置 QTableWidget 列表头 定义表格的列名以便于后续填充数据。假设需要显示以下几列：ID、文件路径、类别、置信度、X 坐标、Y 坐标、宽度和高度。 ```python table_headers = ["ID", "File Path", "Class", "Confidence", "X", "Y", "Width", "Height"] ``` #### 配合 YOLO 结果更新 QTableWidget 通过循环读取 YOLO 输出的数据并将其逐行填入 `QTableWidget`。 以下是完整的代码示例： ```python from PyQt5.QtWidgets import QApplication, QMainWindow, QTableWidget, QTableWidgetItem import sys from ultralytics import YOLO class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("YOLO Detection Results") self.setGeometry(100, 100, 800, 600) # 初始化 QTableWidget self.table_widget = QTableWidget(self) self.setCentralWidget(self.table_widget) table_headers = ["ID", "File Path", "Class", "Confidence", "X", "Y", "Width", "Height"] self.table_widget.setColumnCount(len(table_headers)) self.table_widget.setHorizontalHeaderLabels(table_headers) # 加载预训练模型 self.model = YOLO('./runs/detect/train/weights/best.pt') def run_detection_and_update_table(self, image_paths): results = self.model(image_paths, save=False, device=0) # 执行推理 row_count = 0 for result in results: boxes = result.boxes.cpu().numpy() # 获取边界框信息 for i, box in enumerate(boxes): class_id = int(box.cls[0]) # 类别索引 confidence = float(box.conf[0]) # 置信度 xyxy = box.xyxy[0] # 边界框 (左上角x, 左上角y, 右下角x, 右下角y) # 计算宽高 width = abs(xyxy[2] - xyxy[0]) height = abs(xyxy[3] - xyxy[1]) # 插入新行 self.table_widget.insertRow(row_count) # 填充每一列 self.table_widget.setItem(row_count, 0, QTableWidgetItem(str(i))) # ID self.table_widget.setItem(row_count, 1, QTableWidgetItem(image_paths[row_count])) # 文件路径 self.table_widget.setItem(row_count, 2, QTableWidgetItem(result.names[class_id])) # 类别 self.table_widget.setItem(row_count, 3, QTableWidgetItem(f"{confidence:.2f}")) # 置信度 self.table_widget.setItem(row_count, 4, QTableWidgetItem(f"{int(xyxy[0]):d}")) # X self.table_widget.setItem(row_count, 5, QTableWidgetItem(f"{int(xyxy[1]):d}")) # Y self.table_widget.setItem(row_count, 6, QTableWidgetItem(f"{width:.2f}")) # Width self.table_widget.setItem(row_count, 7, QTableWidgetItem(f"{height:.2f}")) # Height row_count += 1 if __name__ == "__main__": app = QApplication(sys.argv) window = MainWindow() window.show() # 进行图像检测并将结果写入表格 test_images = ['./img/test_image_1.jpg', './img/test_image_2.jpg'] # 替换为实际测试图片路径 window.run_detection_and_update_table(test_images) sys.exit(app.exec_()) ``` 上述代码实现了加载 YOLO 模型并对指定图片执行目标检测的功能，同时将检测结果动态填充至 `QTableWidget` 表格中[^1][^2]. --- #### 注意事项 - **性能优化**：如果处理大量图片或实时视频流，则需考虑多线程或多进程技术来提升效率。 - **异常捕获**：增加错误处理机制以防某些情况下程序崩溃。 - **UI 自适应布局**：可进一步完善 GUI 设计使其更美观实用。 ---