基于YOLO与PyQt5的蜜蜂目标检测系统开发实战

大家好，我是专注于计算机视觉与深度学习应用开发的博主。在农业监测、生态研究或智能蜂箱管理等项目中，对蜜蜂进行精准、实时的目标检测是一个常见且具有挑战性的需求。网上关于YOLO模型训练的教程很多，但如何将其与一个完整的桌面应用结合，并实现检测数据的持久化管理，形成一套闭环的解决方案，资料往往比较零散。

本文将手把手带你实现一个蜜蜂目标检测系统，核心内容包括：使用YOLOv5/v8等主流模型训练蜜蜂数据集，利用PyQt5构建一个功能完善的图形用户界面（GUI），并通过MySQL数据库对检测结果（如数量、位置、时间）进行存储、查询与分析。无论你是想学习完整的AI应用开发流程，还是需要为特定项目搭建原型，这篇文章都能提供从模型训练到软件部署的一站式指南。

1. 项目背景与核心概念

1.1 为什么需要蜜蜂目标检测系统？

在现代化农业和生态研究中，蜜蜂作为重要的授粉昆虫，其种群数量、活动规律是评估生态环境健康与否的关键指标。传统的人工观测方法效率低下、主观性强且难以进行大规模持续监测。因此，利用计算机视觉技术对蜜蜂进行自动化目标检测与计数，具有重要的应用价值。例如，可以应用于：

• 智能蜂箱监控：实时统计进出蜂箱的蜜蜂数量，分析蜂群活跃度。
• 野外生态调查：通过部署在野外的摄像头，自动统计特定区域内的蜜蜂数量。
• 病虫害预警：通过检测蜜蜂行为异常（如大量死亡、活动减少），辅助判断蜂群健康状况。

1.2 技术栈选型与角色

本项目是一个典型的“AI模型 + 桌面应用 + 数据后端”的综合体，涉及多个技术领域：

• YOLO系列模型：作为目标检测的核心引擎。YOLO（You Only Look Once）以其速度快、精度高著称，非常适合实时检测任务。我们将探讨v5、v8、v11等版本的选择与训练。
• PyQt5：用于构建桌面应用程序的Python GUI框架。它功能强大、跨平台，能够方便地集成OpenCV进行视频/图像显示，并调用训练好的YOLO模型。
• MySQL：关系型数据库。用于结构化存储每次检测的元数据（如检测时间、图片路径）和结果数据（如蜜蜂数量、边界框坐标、置信度），便于后续的数据分析与可视化。

这三个组件的协作关系是：PyQt5 GUI作为用户交互前端，接收图像/视频输入，调用本地部署的YOLO模型进行推理，然后将检测结果和相关信息写入MySQL数据库。

2. 环境准备与版本说明

在开始编码前，我们需要搭建一个统一的开发环境。为了避免版本冲突，强烈建议使用虚拟环境（如conda或venv）。

2.1 基础环境配置

• 操作系统：Windows 10/11, Ubuntu 20.04/22.04 或 macOS（本文以Windows为例，Linux/macOS命令略有不同）。
• Python版本：3.8 或 3.9（与PyTorch、PyQt5兼容性较好）。不推荐使用Python 3.10+，可能遇到某些库的兼容性问题。
• 集成开发环境：PyCharm, VSCode 或 Jupyter Notebook（用于模型训练部分）均可。

2.2 关键库安装

我们将分模块安装所需的Python包。请打开终端（命令行），依次执行以下命令。

1. 深度学习与计算机视觉基础

# 安装PyTorch（请根据你的CUDA版本前往PyTorch官网获取对应命令） # 例如，对于CUDA 11.8： pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 安装OpenCV用于图像处理 pip install opencv-python opencv-python-headless # 安装Ultralytics YOLOv8官方库（也支持导出为其他格式） pip install ultralytics # 如果还需要使用YOLOv5，可以克隆其官方仓库并安装依赖 # git clone https://github.com/ultralytics/yolov5 # cd yolov5 # pip install -r requirements.txt

2. 图形界面开发

# 安装PyQt5及其常用工具 pip install PyQt5 PyQt5-tools

3. 数据库连接

# 安装MySQL Python驱动 pip install mysql-connector-python # 或者使用pymysql # pip install pymysql

4. 其他工具库

pip install numpy pandas matplotlib seaborn # 数据处理与可视化 pip install pillow # 图像处理

2.3 MySQL数据库安装与配置

1. 下载与安装：从MySQL官网下载MySQL Community Server安装包，按照向导完成安装。记住你设置的root用户密码。
2. 启动服务：在Windows服务中确保MySQL80（或类似名称）服务处于运行状态。
3. 创建数据库：使用MySQL命令行客户端或MySQL Workbench图形工具，执行以下SQL语句创建本项目专用的数据库。

CREATE DATABASE bee_detection_db CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; USE bee_detection_db; CREATE TABLE detection_records ( id INT AUTO_INCREMENT PRIMARY KEY, image_path VARCHAR(500) NOT NULL COMMENT '原始图片路径', detection_time DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '检测时间', bee_count INT NOT NULL COMMENT '检测到的蜜蜂数量', confidence_avg FLOAT COMMENT '平均置信度', bbox_info TEXT COMMENT '所有边界框的坐标信息(JSON格式)', note TEXT COMMENT '备注' ) COMMENT '蜜蜂检测记录表';

这张表将记录每一次检测的核心信息。bbox_info字段我们计划用JSON格式存储所有检测框的[x1, y1, x2, y2, conf, cls]信息，便于后续回查。

3. YOLO蜜蜂检测模型训练

拥有一个高精度的检测模型是整个系统的基石。这里我们以当前最活跃的YOLOv8为例，详细讲解从数据准备到模型训练的全过程。YOLOv5的训练流程也高度相似。

3.1 数据集准备与标注

1. 数据收集：收集包含蜜蜂的图片。可以从公开数据集（如Roboflow、Kaggle）获取，或使用自己拍摄的图片。确保图片在光照、背景、蜜蜂密度上有多样性。
2. 数据标注：使用标注工具（如LabelImg、CVAT、Roboflow Annotate）对图片中的每只蜜蜂进行标注，标注格式选择YOLO格式（.txt文件）。
   • 每个.txt文件与图片同名，每行代表一个目标：<class_id> <x_center> <y_center> <width> <height>
   • 坐标是归一化后的值（0-1之间）。
   • class_id对于单类检测（蜜蜂）就是0。
3. 数据集划分：将标注好的数据按比例（如7:2:1）划分为train（训练集）、val（验证集）和test（测试集）文件夹。每个文件夹内包含images和labels子文件夹。

bee_dataset/ ├── train/ │ ├── images/ (存放.jpg图片) │ └── labels/ (存放.txt标注文件) ├── val/ │ ├── images/ │ └── labels/ └── test/ ├── images/ └── labels/

4. 创建数据集配置文件：在项目根目录创建一个bee.yaml文件。

# bee.yaml path: /path/to/your/bee_dataset # 数据集根目录 train: train/images # 训练集图片路径（相对path） val: val/images # 验证集图片路径 test: test/images # 测试集图片路径（可选） # 类别数目和名称 nc: 1 # number of classes names: ['bee'] # class names

3.2 模型训练

YOLOv8提供了极其简洁的API进行训练。创建一个Python脚本train_bee_yolov8.py。

# train_bee_yolov8.py from ultralytics import YOLO def main(): # 加载一个预训练模型（例如YOLOv8n，是nano版本，速度快） model = YOLO('yolov8n.pt') # 开始训练 results = model.train( data='bee.yaml', # 数据集配置文件路径 epochs=100, # 训练轮数 imgsz=640, # 输入图像大小 batch=16, # 批次大小（根据GPU内存调整） name='bee_yolov8n', # 实验名称，结果会保存在runs/detect/bee_yolov8n device='0', # 使用GPU，如果是CPU则设为'cpu' workers=4, # 数据加载线程数 patience=20, # 早停耐心值 save=True, save_period=10, pretrained=True ) # 训练完成后，在验证集上评估模型 metrics = model.val() print(f"mAP50-95: {metrics.box.map}") # 打印平均精度 if __name__ == '__main__': main()

运行此脚本，训练过程、日志和最终模型权重（best.pt）将保存在runs/detect/bee_yolov8n/目录下。你可以尝试更换模型为yolov8s.pt（小模型）、yolov8m.pt（中模型）以获得更好的精度（但速度会变慢）。

3.3 模型导出与测试

训练完成后，我们需要将模型导出为适合部署的格式（如ONNX），并编写一个简单的推理脚本进行测试。

# export_and_test.py from ultralytics import YOLO import cv2 # 1. 导出模型为ONNX格式（便于跨平台部署） model = YOLO('runs/detect/bee_yolov8n/weights/best.pt') success = model.export(format='onnx', imgsz=640, simplify=True) print(f"Export to ONNX: {success}") # 2. 使用导出的模型或原始模型进行测试 def test_image(image_path): # 加载模型（可以是.pt或.onnx） model = YOLO('runs/detect/bee_yolov8n/weights/best.onnx') # 进行预测 results = model(image_path) # 可视化结果 for r in results: im_array = r.plot() # 绘制边界框和标签的numpy数组 cv2.imshow('Detection Result', im_array) cv2.waitKey(0) cv2.destroyAllWindows() # 打印检测信息 print(f"Detected {len(r.boxes)} bees.") if len(r.boxes) > 0: print(f"Confidences: {r.boxes.conf}") print(f"Box coordinates (xyxy): {r.boxes.xyxy}") if __name__ == '__main__': test_image('bee_dataset/test/images/bee_test_01.jpg')

4. PyQt5图形界面开发

现在，我们将构建一个用户友好的桌面应用程序，集成训练好的YOLO模型，并提供图像/视频输入、实时检测、结果展示和数据保存功能。

4.1 主窗口设计与布局规划

我们将创建一个主窗口，包含以下区域：

• 菜单栏/工具栏：提供打开文件、开始/停止检测、连接数据库等操作。
• 图像显示区域：用于显示原始图像和检测结果。
• 控制面板：包含模型选择、置信度阈值调节、开始/停止按钮等。
• 信息显示区域：显示检测结果（数量、耗时）和系统状态。
• 底部状态栏：显示临时信息。

使用Qt Designer可以快速拖拽出界面，但为了代码清晰，这里我们直接使用代码创建。创建文件bee_detection_gui.py。

4.2 核心GUI代码实现

# bee_detection_gui.py import sys import os import cv2 import numpy as np from datetime import datetime from PyQt5.QtWidgets import (QApplication, QMainWindow, QWidget, QVBoxLayout, QHBoxLayout, QPushButton, QLabel, QFileDialog, QComboBox, QSlider, QSpinBox, QTextEdit, QMessageBox, QAction, QStatusBar) from PyQt5.QtCore import Qt, QTimer, pyqtSignal, QThread from PyQt5.QtGui import QImage, QPixmap from ultralytics import YOLO import mysql.connector class DetectionThread(QThread): """ 用于执行检测任务的线程，避免阻塞GUI主线程 """ finished = pyqtSignal(np.ndarray, list, float) # 信号：发送处理后的图像、检测结果列表、耗时 def __init__(self, model, frame, conf_threshold): super().__init__() self.model = model self.frame = frame self.conf_threshold = conf_threshold def run(self): import time start_time = time.time() # 执行YOLO推理 results = self.model(self.frame, conf=self.conf_threshold, verbose=False) end_time = time.time() inference_time = end_time - start_time # 获取第一个结果（因为只传了一张图） r = results[0] # 绘制检测框 annotated_frame = r.plot() # 提取检测信息： [xyxy, conf, cls] detections = [] if len(r.boxes) > 0: for box in r.boxes: xyxy = box.xyxy[0].cpu().numpy().tolist() conf = box.conf[0].cpu().numpy().item() cls = int(box.cls[0].cpu().numpy().item()) detections.append([xyxy, conf, cls]) self.finished.emit(annotated_frame, detections, inference_time) class BeeDetectionApp(QMainWindow): def __init__(self): super().__init__() self.model = None self.current_image_path = None self.cap = None # 视频捕获对象 self.timer = QTimer() # 用于视频流的定时器 self.detection_thread = None self.db_connection = None self.init_ui() self.init_model() self.init_database() def init_ui(self): self.setWindowTitle('蜜蜂目标检测系统 v1.0') self.setGeometry(100, 100, 1200, 800) # 中心部件 central_widget = QWidget() self.setCentralWidget(central_widget) main_layout = QHBoxLayout(central_widget) # 左侧：图像显示区域 left_panel = QVBoxLayout() self.image_label = QLabel('图像显示区域') self.image_label.setAlignment(Qt.AlignCenter) self.image_label.setStyleSheet("border: 2px solid gray; background-color: black;") self.image_label.setMinimumSize(640, 480) left_panel.addWidget(self.image_label) # 图像信息 self.info_text = QTextEdit() self.info_text.setMaximumHeight(100) self.info_text.setReadOnly(True) left_panel.addWidget(self.info_text) main_layout.addLayout(left_panel, 3) # 左侧占3份宽度 # 右侧：控制面板 right_panel = QVBoxLayout() # 模型选择 right_panel.addWidget(QLabel('模型选择:')) self.model_combo = QComboBox() self.model_combo.addItems(['YOLOv8n', 'YOLOv8s', 'YOLOv5s', 'YOLOv5m']) self.model_combo.currentTextChanged.connect(self.on_model_changed) right_panel.addWidget(self.model_combo) # 置信度阈值 right_panel.addWidget(QLabel('置信度阈值:')) self.conf_slider = QSlider(Qt.Horizontal) self.conf_slider.setRange(10, 90) # 10% 到 90% self.conf_slider.setValue(25) # 默认25% self.conf_slider.valueChanged.connect(self.on_conf_changed) right_panel.addWidget(self.conf_slider) self.conf_label = QLabel('0.25') right_panel.addWidget(self.conf_label) # 控制按钮 self.btn_open_image = QPushButton('打开图片') self.btn_open_image.clicked.connect(self.open_image) right_panel.addWidget(self.btn_open_image) self.btn_open_video = QPushButton('打开视频') self.btn_open_video.clicked.connect(self.open_video) right_panel.addWidget(self.btn_open_video) self.btn_start_cam = QPushButton('开启摄像头') self.btn_start_cam.clicked.connect(self.start_camera) right_panel.addWidget(self.btn_start_cam) self.btn_detect = QPushButton('开始检测') self.btn_detect.clicked.connect(self.start_detection) self.btn_detect.setEnabled(False) right_panel.addWidget(self.btn_detect) self.btn_stop = QPushButton('停止') self.btn_stop.clicked.connect(self.stop_detection) self.btn_stop.setEnabled(False) right_panel.addWidget(self.btn_stop) self.btn_save_db = QPushButton('保存到数据库') self.btn_save_db.clicked.connect(self.save_to_database) self.btn_save_db.setEnabled(False) right_panel.addWidget(self.btn_save_db) right_panel.addStretch() # 添加弹性空间 main_layout.addLayout(right_panel, 1) # 右侧占1份宽度 # 状态栏 self.status_bar = QStatusBar() self.setStatusBar(self.status_bar) self.status_bar.showMessage('就绪') # 菜单栏 menubar = self.menuBar() file_menu = menubar.addMenu('文件') open_action = QAction('打开', self) open_action.triggered.connect(self.open_image) file_menu.addAction(open_action) exit_action = QAction('退出', self) exit_action.triggered.connect(self.close) file_menu.addAction(exit_action) db_menu = menubar.addMenu('数据库') connect_action = QAction('连接数据库', self) connect_action.triggered.connect(self.connect_database) db_menu.addAction(connect_action) def init_model(self): """ 初始化默认模型 """ try: # 默认加载一个轻量级模型 self.model = YOLO('yolov8n.pt') # 或者使用你训练好的 'best.pt' self.status_bar.showMessage('模型加载成功: YOLOv8n') except Exception as e: QMessageBox.critical(self, '错误', f'模型加载失败: {e}') self.model = None def init_database(self): """ 初始化数据库连接 """ try: self.db_connection = mysql.connector.connect( host="localhost", user="root", # 替换为你的用户名 password="your_password", # 替换为你的密码 database="bee_detection_db" ) self.status_bar.showMessage('数据库连接成功') except mysql.connector.Error as err: self.status_bar.showMessage(f'数据库连接失败: {err}') self.db_connection = None # 后续将补充各个按钮的槽函数（如 open_image, start_detection等）和图像显示逻辑 # 由于篇幅限制，此处先省略，下一节将详细展开。 if __name__ == '__main__': app = QApplication(sys.argv) window = BeeDetectionApp() window.show() sys.exit(app.exec_())

以上代码搭建了应用程序的基本骨架。接下来，我们需要实现最核心的功能：图像/视频的打开、检测、显示以及数据保存。

4.3 核心功能实现

在BeeDetectionApp类中继续添加以下方法：

# 在 BeeDetectionApp 类中继续添加方法 def open_image(self): """ 打开图片文件 """ file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "Image Files (*.jpg *.jpeg *.png *.bmp)") if file_path: self.current_image_path = file_path # 使用OpenCV读取图片 frame = cv2.imread(file_path) if frame is not None: # 转换颜色空间 BGR -> RGB frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 调整大小以适应显示区域（保持宽高比） h, w, ch = frame_rgb.shape target_width = self.image_label.width() scale = target_width / w new_h, new_w = int(h * scale), int(w * scale) frame_resized = cv2.resize(frame_rgb, (new_w, new_h)) # 转换为QImage并显示 bytes_per_line = ch * new_w q_img = QImage(frame_resized.data, new_w, new_h, bytes_per_line, QImage.Format_RGB888) self.image_label.setPixmap(QPixmap.fromImage(q_img)) self.original_frame = frame.copy() # 保存原始帧用于检测 self.btn_detect.setEnabled(True) self.btn_save_db.setEnabled(False) self.status_bar.showMessage(f'已加载图片: {os.path.basename(file_path)}') else: QMessageBox.warning(self, "警告", "无法读取图片文件。") def open_video(self): """ 打开视频文件 """ file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "Video Files (*.mp4 *.avi *.mov)") if file_path: self.stop_detection() # 先停止之前的视频流 self.cap = cv2.VideoCapture(file_path) if not self.cap.isOpened(): QMessageBox.warning(self, "警告", "无法打开视频文件。") return self.timer.timeout.connect(self.update_video_frame) self.timer.start(30) # 约33 FPS self.btn_detect.setEnabled(True) self.btn_stop.setEnabled(True) self.btn_start_cam.setEnabled(False) self.btn_open_video.setEnabled(False) self.status_bar.showMessage(f'正在播放视频: {os.path.basename(file_path)}') def start_camera(self): """ 开启摄像头 """ self.stop_detection() self.cap = cv2.VideoCapture(0) # 0 表示默认摄像头 if not self.cap.isOpened(): QMessageBox.warning(self, "警告", "无法打开摄像头。") return self.timer.timeout.connect(self.update_video_frame) self.timer.start(30) self.btn_detect.setEnabled(True) self.btn_stop.setEnabled(True) self.btn_start_cam.setEnabled(False) self.btn_open_video.setEnabled(False) self.status_bar.showMessage('摄像头已开启') def update_video_frame(self): """ 定时器槽函数：从视频/摄像头读取并显示帧 """ if self.cap is None: return ret, frame = self.cap.read() if ret: self.original_frame = frame.copy() # 显示原始帧（不检测） frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) h, w, ch = frame_rgb.shape target_width = self.image_label.width() scale = target_width / w new_h, new_w = int(h * scale), int(w * scale) frame_resized = cv2.resize(frame_rgb, (new_w, new_h)) bytes_per_line = ch * new_w q_img = QImage(frame_resized.data, new_w, new_h, bytes_per_line, QImage.Format_RGB888) self.image_label.setPixmap(QPixmap.fromImage(q_img)) else: self.timer.stop() if self.cap: self.cap.release() self.cap = None self.status_bar.showMessage('视频播放完毕或摄像头断开') def start_detection(self): """ 开始检测（单张图片或视频流中的当前帧） """ if not hasattr(self, 'original_frame') or self.original_frame is None: QMessageBox.information(self, "提示", "请先打开图片或视频。") return if self.model is None: QMessageBox.warning(self, "警告", "模型未加载。") return # 获取当前置信度阈值 conf_threshold = self.conf_slider.value() / 100.0 # 在独立线程中执行检测，防止界面卡顿 self.detection_thread = DetectionThread(self.model, self.original_frame, conf_threshold) self.detection_thread.finished.connect(self.on_detection_finished) self.detection_thread.start() self.btn_detect.setEnabled(False) self.status_bar.showMessage('检测中...') def on_detection_finished(self, annotated_frame, detections, inference_time): """ 检测线程完成后的回调 """ # 显示带检测框的图像 annotated_frame_rgb = cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB) h, w, ch = annotated_frame_rgb.shape target_width = self.image_label.width() scale = target_width / w new_h, new_w = int(h * scale), int(w * scale) frame_resized = cv2.resize(annotated_frame_rgb, (new_w, new_h)) bytes_per_line = ch * new_w q_img = QImage(frame_resized.data, new_w, new_h, bytes_per_line, QImage.Format_RGB888) self.image_label.setPixmap(QPixmap.fromImage(q_img)) # 更新信息面板 bee_count = len(detections) info = f"""检测完成！ 蜜蜂数量: {bee_count} 推理耗时: {inference_time:.3f} 秒 平均置信度: {np.mean([d[1] for d in detections]):.3f if detections else 0} """ self.info_text.setText(info) self.current_detections = detections # 保存检测结果，用于保存到数据库 self.btn_detect.setEnabled(True) self.btn_save_db.setEnabled(True) self.status_bar.showMessage(f'检测完成，发现 {bee_count} 只蜜蜂') def stop_detection(self): """ 停止视频流或摄像头 """ if self.timer.isActive(): self.timer.stop() if self.cap: self.cap.release() self.cap = None self.btn_start_cam.setEnabled(True) self.btn_open_video.setEnabled(True) self.btn_stop.setEnabled(False) self.status_bar.showMessage('已停止') def save_to_database(self): """ 将当前检测结果保存到MySQL数据库 """ if not hasattr(self, 'current_detections'): QMessageBox.warning(self, "警告", "没有可保存的检测结果。") return if self.db_connection is None: QMessageBox.warning(self, "警告", "数据库未连接。") return try: cursor = self.db_connection.cursor() # 准备数据 image_path = self.current_image_path if hasattr(self, 'current_image_path') else 'Camera/Video Frame' bee_count = len(self.current_detections) conf_avg = np.mean([d[1] for d in self.current_detections]) if self.current_detections else 0 # 将边界框信息转换为JSON字符串存储 import json bbox_list = [] for bbox, conf, cls in self.current_detections: bbox_list.append({ 'x1': float(bbox[0]), 'y1': float(bbox[1]), 'x2': float(bbox[2]), 'y2': float(bbox[3]), 'confidence': float(conf), 'class': cls }) bbox_json = json.dumps(bbox_list) sql = """INSERT INTO detection_records (image_path, bee_count, confidence_avg, bbox_info) VALUES (%s, %s, %s, %s)""" val = (image_path, bee_count, conf_avg, bbox_json) cursor.execute(sql, val) self.db_connection.commit() cursor.close() QMessageBox.information(self, "成功", f"检测记录已保存到数据库，ID: {cursor.lastrowid}") self.status_bar.showMessage('数据保存成功') except Exception as e: QMessageBox.critical(self, "数据库错误", f"保存失败: {e}") def on_model_changed(self, text): """ 切换模型 """ model_map = { 'YOLOv8n': 'yolov8n.pt', 'YOLOv8s': 'yolov8s.pt', 'YOLOv5s': 'yolov5s.pt', # 需要提前下载好权重文件 'YOLOv5m': 'yolov5m.pt' } model_file = model_map.get(text) if model_file and os.path.exists(model_file): try: self.model = YOLO(model_file) self.status_bar.showMessage(f'模型已切换为: {text}') except Exception as e: QMessageBox.warning(self, "警告", f"模型加载失败: {e}") def on_conf_changed(self, value): """ 更新置信度阈值显示 """ self.conf_label.setText(f'{value/100:.2f}') def connect_database(self): """ 手动连接数据库 """ self.init_database() def closeEvent(self, event): """ 关闭窗口时释放资源 """ self.stop_detection() if self.db_connection and self.db_connection.is_connected(): self.db_connection.close() event.accept()

至此，一个功能完整的蜜蜂目标检测GUI应用程序就完成了。它支持图片、视频和摄像头输入，能够实时显示检测结果，并将结构化数据保存到MySQL数据库。

5. 系统集成与运行测试

5.1 项目文件结构

在运行前，请确保你的项目目录结构如下：

bee_detection_project/ ├── bee_detection_gui.py # PyQt5主程序 ├── train_bee_yolov8.py # 模型训练脚本 ├── bee.yaml # 数据集配置文件 ├── yolov8n.pt # 预训练模型权重（或你的best.pt） ├── bee_dataset/ # 你的蜜蜂数据集 │ ├── train/ │ ├── val/ │ └── test/ └── requirements.txt # 项目依赖（可选）

5.2 运行应用程序

1. 确保MySQL服务已启动，并且bee_detection_db数据库和detection_records表已创建。
2. 在bee_detection_gui.py中，修改init_database方法里的数据库连接参数（主机、用户名、密码）。
3. 在终端中运行：

python bee_detection_gui.py

4. 程序启动后，你可以：
   • 点击“打开图片”选择一张蜜蜂图片。
   • 点击“开始检测”，程序会调用YOLO模型进行推理，并在界面显示带框的结果和数量。
   • 点击“保存到数据库”，将本次检测的记录写入MySQL。
   • 尝试“打开视频”或“开启摄像头”进行实时检测。

5.3 验证数据存储

打开MySQL客户端，查询数据是否成功插入：

USE bee_detection_db; SELECT * FROM detection_records ORDER BY detection_time DESC LIMIT 5;

你应该能看到类似下面的记录：

+----+-----------------------------+---------------------+-----------+----------------+---------------------------------------------------+------+ | id | image_path | detection_time | bee_count | confidence_avg | bbox_info | note | +----+-----------------------------+---------------------+-----------+----------------+---------------------------------------------------+------+ | 1 | /path/to/bee_image.jpg | 2024-05-20 10:30:25| 5 | 0.87 | [{"x1":100,"y1":50,...}, ...] | NULL | +----+-----------------------------+---------------------+-----------+----------------+---------------------------------------------------+------+

6. 常见问题与排查思路

在开发和运行本系统时，你可能会遇到以下问题：

7. 最佳实践与工程建议

将原型系统转化为一个健壮、可维护的项目，还需要考虑以下几点：

7.1 模型部署优化

• 模型格式：生产环境建议使用TorchScript或ONNX格式，它们对部署更友好，且可以利用TensorRT、OpenVINO等推理引擎加速。
• 推理优化：使用half（半精度）推理可以显著提升速度并减少显存占用，只需在推理时设置model.half()。
• 批处理：如果处理的是视频流，可以考虑积累几帧后进行批处理推理，能提升GPU利用率。

7.2 应用程序健壮性

• 异常处理：对所有文件I/O、数据库操作、模型推理都进行try-except包装，并给用户友好的提示，而不是让程序崩溃。
• 配置管理：将模型路径、数据库连接参数、置信度阈值等配置项提取到外部的config.ini或config.yaml文件中，便于管理和部署。
• 日志记录：使用Python的logging模块记录程序运行状态、错误信息和检测统计，便于后期排查问题。
• 资源管理：确保在程序退出或停止时，正确释放摄像头、数据库连接等资源，如我们在closeEvent和stop_detection中所做。

7.3 数据库设计扩展

当前的单表设计适用于基础功能。随着数据量增长和需求复杂化，可以考虑：

• 分表：按时间（如每月一张表）或设备ID分表，提升查询性能。
• 索引优化：在detection_time和bee_count字段上建立索引，加速按时间和数量的查询。
• 关联信息：增加device_id、location字段，以支持多设备、多位置的监测网络。
• 结果快照：除了存储边界框JSON，还可以将检测后的标注图片以BLOB或文件路径形式存储，便于回溯。

7.4 前端功能增强

• 历史记录查询：在GUI中增加一个标签页或对话框，用于查询和展示数据库中的历史检测记录，并支持按时间、数量筛选。
• 数据可视化：集成matplotlib，在界面中绘制蜜蜂数量随时间的变化曲线图。
• 模型性能评估：增加一个功能，使用预留的测试集对当前加载的模型进行mAP、Recall等指标的计算和显示。
• 参数调优界面：提供IOU阈值、图像尺寸等更多模型参数的实时调节滑块。

7.5 部署与打包

• 环境封装：使用conda env export > environment.yml导出环境，或在requirements.txt中精确固定所有库的版本。
• 打包成可执行文件：使用PyInstaller或cx_Freeze将整个项目打包成.exe（Windows）或可执行文件，方便在没有Python环境的电脑上运行。

# 使用PyInstaller打包示例 pyinstaller --onefile --windowed --add-data "yolov8n.pt;." bee_detection_gui.py

通过以上步骤，你不仅完成了一个功能完整的蜜蜂目标检测系统，更掌握了一套将AI模型、桌面应用和数据库结合起来的通用开发流程。这套流程可以轻松迁移到其他目标检测任务中，例如车辆计数、安全帽检测、野生动物监测等。