【深度学习目标检测】二十三、基于深度学习的行人检测计数系统-含数据集、GUI和源码（python，yolov8）

行人检测计数系统是一种重要的智能交通监控系统，它能够通过图像处理技术对行人进行实时检测、跟踪和计数，为城市交通规划、人流控制和安全管理提供重要数据支持。本系统基于先进的YOLOv8目标检测算法和PyQt5图形界面框架开发，具有高效、准确、易用等特点。

系统特点

基于YOLOv8的目标检测算法：YOLOv8是一种高效的目标检测算法，它能够在保证检测速度的同时，提高检测精度。本系统采用YOLOv8算法对行人进行检测，能够快速准确地识别出行人的位置，并进行计数。
PyQt5图形界面框架：PyQt5是一种功能强大的图形界面开发框架，它支持跨平台开发，具有良好的可移植性。本系统采用PyQt5框架开发，界面简洁明了，易于操作。
支持多种检测方式：本系统支持对单张图片、视频文件和摄像头实时流进行检测。用户可以根据需要选择不同的检测方式，满足不同的应用场景。
GPU加速功能：本系统支持GPU加速功能，可以将预测计算任务分配到GPU上进行处理，提高系统的实时检测性能。相比在CPU上进行处理，GPU加速可以大幅度降低延时，提升用户体验。

本文介绍了基于深度学习yolov8的行人检测计数系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。对准备计算机视觉相关的毕业设计的同学有着一定的帮助。

模型在线体验：https://o554w00336.goho.co/

检测结果如下图：

一、安装YoloV8

yolov8官方文档：主页 - Ultralytics YOLOv8 文档

安装部分参考：官方安装教程

1、安装pytorch

根据本机是否有GPU，安装适合自己的pytorch，如果需要训练自己的模型，建议使用GPU版本。

①GPU版本的pytorch安装

对于GPU用户，安装GPU版本的pytorch，首先在cmd命令行输入nvidia-smi，查看本机的cuda版本，如下图，我的cuda版本是12.4（如果版本过低，建议升级nvidia驱动）：

打开pytorch官网，选择合适的版本安装pytorch，如下图，建议使用conda安装防止cuda版本问题出现报错：

②CPU版本pytorch安装

打开pytorch官网，选择CPU版本安装pytorch，如下图：

2、安装yolov8

在命令行使用如下命令安装：

pip install ultralytics

二、数据集准备

本文数据集来自http://www.cbsr.ia.ac.cn/users/sfzhang/WiderPerson/

该数据集包含8000个训练数据，1000个验证数据，4382个测试数据，数据如下图：

为了使用yolov8算法进行训练，需要将该数据转换为yolov8格式，本文提供转换好的数据集下载连接：widerperson（密集行人检测）yolov8格式数据集，该数据集8000个训练数据，1000个验证数据，4382个测试数据

三、模型配置及训练

1、数据集配置文件

创建数据集配置文件rsna_pneumonia.yaml，内容如下（将path路径替换为自己的数据集路径）：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)
 
 
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\DeepLearning\datasets\csdn\widerperson\widerperson_yolov8  # 替换为自己的数据集路径
train: images/train 
val: images/val 
test: images/val  
 
# Classes
names:
  # 0: normal
  0: pedestrains

2、训练模型

使用如下命令训练模型，数据配置文件路径更改为自己的路径，model根据自己的需要使用yolov8n/s/l/x版本，其他参数根据自己的需要进行设置：

yolo detect train project=widerperson name=train exist_ok data=widerperson/widerperson.yaml model=yolov8n.yaml epochs=100 imgsz=480

3、验证模型

使用如下命令验证模型，相关路径根据需要修改：

yolo detect val project=widerperson name=val imgsz=480 model=widerperson/train/weights/best.pt data=widerperson/widerperson.yaml

精度如下：

# Ultralytics YOLOv8.1.20 🚀 Python-3.9.18 torch-2.2.0 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
# YOLOv8n summary (fused): 168 layers, 3005843 parameters, 0 gradients, 8.1 GFLOPs
# val: Scanning D:\DeepLearning\datasets\csdn\widerperson\widerperson_yolov8\labels\val.cache... 1000 images, 0 backgrounds, 0 corrupt: 100%|██████████| 1000/1000 [00:00<?, ?it/s]
#                  Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 63/63 [00:08<00:00,  7.15it/s]
#                    all       1000      27353      0.813      0.606      0.722      0.452
# Speed: 0.1ms preprocess, 2.6ms inference, 0.0ms loss, 1.3ms postprocess per image
# Results saved to widerperson\val
# 💡 Learn more at https://docs.ultralytics.com/modes/val

四、推理

训练好了模型，可以使用如下代码实现推理，权重路径修改为自己的路径：

from PIL import Image
from ultralytics import YOLO
 
# 加载预训练的YOLOv8n模型
model = YOLO('best.pt')
 
image_path = 'test.jpg'
results = model(image_path)  # 结果列表
 
# 展示结果
for r in results:
    im_array = r.plot()  # 绘制包含预测结果的BGR numpy数组
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL图像
    im.show()  # 显示图像
    im.save('results.jpg')  # 保存图像