深度学习（YOLOv8）、图形界面（PyQt5）、数据库管理（MySQL）以及业务逻辑（用户/模型管理）深度学习 基于YOLOv8的手势识别系统v2版本

深度学习-基于YOLOv8的手势识别系统v2版本，新增了四个核心功能模块：角色分配管理、模型版本管理、核心推理参数配置、历史记录管理。
包含完整数据集+训练日志+可视化图+混淆矩阵+ui界面。

1、功能特性：
手势识别：支持8种常见手势的实时识别（比耶、竖3手指、竖5手指、竖4手指、OK、竖食指、握拳、竖大拇指）

多输入模式：支持图片文件、视频文件和实时摄像头三种输入方式
用户与角色管理：支持注册、登录、密码修改，提供管理员 / 普通用户角色划分
管理员后台：管理员可通过可视化后台对用户进行增删改查和密码重置
模型版本管理：支持多版本 YOLO 模型上传、版本列表查看、模型一键切换
推理参数在线配置：图形化界面实时调整置信度阈值、NMS 阈值、最大检测数、图像尺寸等关键参数
历史记录与统计：将手势识别结果保存到 MySQL，支持历史记录查看、目标详情查看与简单统计
数据导出：支持将历史识别数据导出为 CSV、JSON 等格式
结果展示：实时显示检测结果、置信度、坐标位置等详细信息
现代化 UI：独特的赛博朋克风格界面，提供优秀的视觉体验
2、 技术栈

主要开发语言：Python
GUI 图形界面框架：PyQt5
深度学习检测模型：YOLOv8
图像处理库：OpenCV
数据库连接：MySQL
深度学习框架：PyTorch
数值计算：NumPy
图像处理：Pillow

这是一个非常庞大且功能完善的系统，涵盖了深度学习（YOLOv8）、图形界面（PyQt5）、数据库管理（MySQL）以及业务逻辑（用户/模型管理）。

同学，以下作为参考

1. 项目目录结构建议

在开始写代码前，建议按照以下结构组织文件：

GestureSystem/ ├── main.py # 程序入口 ├── database.py # MySQL数据库连接与操作 ├── ui_main.py # PyQt5生成的界面文件 (由QtDesigner设计) ├── detector.py # YOLOv8推理核心 ├── models/ # 存放 .pt 权重文件 │ └── gesture_v1.pt ├── resources/ # 存放图片、qss样式表 └── utils.py # 工具类（导出CSV/JSON等）

2. 核心代码实现

2.1 数据库模块 (database.py)

负责处理用户登录、注册以及历史记录的存储。

importmysql.connectorfrommysql.connectorimportErrorclassDatabase:def__init__(self,host,user,password,database):self.connection=Nonetry:self.connection=mysql.connector.connect(host=host,user=user,passwd=password,database=database)ifself.connection.is_connected():print("MySQL数据库连接成功")exceptErrorase:print(f"数据库连接错误:{e}")defexecute_query(self,query,values=None):cursor=self.connection.cursor()try:ifvalues:cursor.execute(query,values)else:cursor.execute(query)self.connection.commit()returncursorexceptErrorase:print(f"执行错误:{e}")returnNonedeffetch_data(self,query,values=None):cursor=self.execute_query(query,values)ifcursor:returncursor.fetchall()return[]# 示例：保存识别记录defsave_record(self,user_id,gesture,confidence,coords):query=""" INSERT INTO history (user_id, gesture_name, confidence, coordinates) VALUES (%s, %s, %s, %s) """self.execute_query(query,(user_id,gesture,confidence,coords))

2.2 YOLOv8 推理模块 (detector.py)

负责加载模型、参数配置和图像推理。

fromultralyticsimportYOLOimportcv2importnumpyasnpclassGestureDetector:def__init__(self,model_path='models/gesture_v1.pt'):# 加载YOLOv8模型self.model=YOLO(model_path)self.conf_threshold=0.5self.iou_threshold=0.5defupdate_params(self,conf,iou):self.conf_threshold=conf self.iou_threshold=ioudefdetect(self,frame):# 推理results=self.model(frame,conf=self.conf_threshold,iou=self.iou_threshold)result=results[0]# 解析结果detections=[]forboxinresult.boxes:xyxy=box.xyxy[0].cpu().numpy().astype(int)conf=box.conf[0].cpu().numpy()cls=int(box.cls[0].cpu().numpy())label=result.names[cls]detections.append({'box':xyxy,'confidence':conf,'label':label,'class_id':cls})# 在帧上绘制边界框 (可选，也可在UI线程绘制)cv2.rectangle(frame,(xyxy[0],xyxy[1]),(xyxy[2],xyxy[3]),(0,255,0),2)cv2.putText(frame,f"{label}{conf:.2f}",(xyxy[0],xyxy[1]-10),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,255,0),2)returnframe,detections

2.3 主界面与逻辑 (main.py)

这是系统的核心，整合了PyQt5界面、视频流处理、多线程和数据库交互。

importsysimportcv2fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QMessageBox,QFileDialogfromPyQt5.QtGuiimportQPixmap,QImagefromPyQt5.QtCoreimportQTimer,QThread,pyqtSignalfromdetectorimportGestureDetectorfromdatabaseimportDatabase# 假设你使用 pyuic5 将 .ui 文件转为了 ui_main.pyfromui_mainimportUi_MainWindowclassVideoThread(QThread):change_pixmap_signal=pyqtSignal(np.ndarray,list)# 发送帧和检测结果def__init__(self):super().__init__()self._run_flag=Trueself.capture=cv2.VideoCapture(0)self.detector=GestureDetector()defrun(self):whileself._run_flag:ret,cv_img=self.capture.read()ifret:# 执行检测processed_img,detections=self.detector.detect(cv_img)self.change_pixmap_signal.emit(processed_img,detections)self.capture.release()defstop(self):self._run_flag=Falseself.wait()classMainWindow(QMainWindow,Ui_MainWindow):def__init__(self):super().__init__()self.setupUi(self)# 初始化组件self.db=Database('localhost','root','password','gesture_db')self.thread=VideoThread()# 绑定信号槽self.thread.change_pixmap_signal.connect(self.update_image)self.start_btn.clicked.connect(self.start_video)self.stop_btn.clicked.connect(self.stop_video)# 参数配置联动self.conf_slider.valueChanged.connect(self.update_conf)defstart_video(self):self.thread.start()defstop_video(self):self.thread.stop()defupdate_image(self,cv_img,detections):"""将OpenCV图像转换为Qt图像并显示"""rgb_image=cv2.cvtColor(cv_img,cv2.COLOR_BGR2RGB)h,w,ch=rgb_image.shape bytes_per_line=ch*w convert_to_Qt_format=QImage(rgb_image.data,w,h,bytes_per_line,QImage.Format_RGB888)p=convert_to_Qt_format.scaled(640,480,Qt.KeepAspectRatio)self.video_label.setPixmap(QPixmap.fromImage(p))# 更新右侧信息栏 (示例：只显示第一个检测结果)ifdetections:det=detections[0]self.label_result.setText(f"识别结果:{det['label']}")self.progress_conf.setValue(int(det['confidence']*100))# 保存到数据库逻辑可以在这里触发，或者通过单独的保存按钮触发defupdate_conf(self,val):# 动态调整置信度阈值 (假设滑块范围0-100)self.thread.detector.update_params(conf=val/100.0,iou=0.5)self.conf_value_label.setText(f"{val/100:.2f}")defcloseEvent(self,event):self.thread.stop()event.accept()if__name__=="__main__":app=QApplication(sys.argv)window=MainWindow()window.show()sys.exit(app.exec_())

3. 关键功能实现思路

为了实现你提到的所有高级功能，你需要补充以下逻辑：

1. 赛博朋克风格 UI

   • 使用 Qt Designer 设计界面。
   • 编写.qss样式表文件，设置背景色为深蓝/黑 (#1a1a2e)，按钮使用霓虹色 (#0f3460,#e94560)，字体使用科技感字体。
   • 在主窗口中加载样式：app.setStyleSheet(open("style.qss", "r").read())

2. 多输入模式

   • 在VideoThread中增加逻辑，根据用户选择（摄像头/视频文件/图片），初始化不同的cv2.VideoCapture源（0代表摄像头，或者文件路径）。

3. 模型版本管理

   • 在界面添加一个下拉框 (QComboBox) 列出models/文件夹下的所有.pt文件。
   • 当用户切换时，调用self.thread.detector.model = YOLO(new_path)重新加载模型。

4. 历史记录与导出

   • 利用Database类查询history表，将数据填充到QTableWidget中。
   • 使用 Python 的csv或json库读取查询结果并写入文件，实现导出功能。

4. 运行前准备

1. 数据库：你需要先在 MySQL 中创建数据库和表（用户表、记录表）。
2. 模型：将训练好的best.pt放入models文件夹。
3. UI文件：使用 Qt Designer 画出界面并转换为 Python 代码。

这套代码框架为你提供了系统运行的骨架，你可以在此基础上填充具体的业务逻辑。