简介：这是一份面向Python初学者、课程设计与毕业设计学习者的简易版水果识别系统源码，基于Pyqt5搭建图形界面，融合图像处理与机器学习算法，帮助理解GUI开发与分类识别的基本流程。压缩包共27个文件，约1.54MB，包含8个py源码文件、10个png图片、1个ui界面文件、1个qrc资源文件及pyc缓存、说明文档等，涵盖界面逻辑、图像预处理、特征提取与分类器训练等模块，结构清晰便于按功能阅读。已有80人学习下载。读者可从中获取完整的项目目录组织方式、Pyqt5界面与业务代码的分离写法、灰度化与边缘检测等预处理思路，以及SVM或KNN分类器的训练与调用示例，适合作为课程设计参考或图像识别入门练手项目。
1. 从一张水果照片到识别结果：PyQt5 水果识别系统到底能跑出什么效果
你手头有一张手机拍的水果照片，想让它自动告诉你这是苹果、香蕉还是橙子，并且希望整个过程在一个带按钮和预览区的桌面窗口里完成——这就是基于 PyQt5 设计实现的简易版水果识别系统要解决的事。它把深度学习推理和桌面 GUI 缝在一起，用户点一下按钮选图片，窗口里显示识别结果和置信度。适合谁？正在做课程设计、想找一个能跑通的 Python 视觉项目练手的人，以及需要快速验证「分类模型 + 桌面端」这条链路的开发者。热搜里 pyqt5界面设计、python源码、水果识别系统这几个词，恰好对应了它的三个核心模块：界面、推理、数据。这一章先把整体轮廓立住，后面再拆每一步怎么落地。
2. 拆开这个系统：PyQt5 界面、推理引擎和水果数据集怎么分工
2.1 为什么选 PyQt5 而不是 Tkinter 或 Web 前端
做桌面端水果识别，界面框架的选择直接决定开发速度和最终体验。Tkinter 是 Python 自带的，零依赖，但控件样式老旧，做图片预览和动态刷新时布局很难看，而且没有内置的进度条和状态栏配合推理耗时展示。Web 前端方案（Flask + 浏览器）跨平台好，但要多起一个服务进程，对只想双击运行 exe 的课程设计场景来说太重。PyQt5 的优势在于：控件丰富、支持信号槽机制做异步更新、能用 QLabel 直接渲染 QPixmap 显示图片，而且打包成 exe 后不依赖浏览器。热搜里 pyqt5界面设计 pycharm、pyqt5安装这些词说明很多人卡在环境配置上，后面会专门讲。
选 PyQt5 还有一个实际原因：推理过程会阻塞主线程，如果不用 QThread 把模型推理放到子线程，界面会直接卡死。PyQt5 的信号槽天然适合做「子线程推理完成 → 发信号 → 主线程更新结果」这种模式，Tkinter 做同样的事要自己维护队列和轮询，代码量翻倍。
2.2 推理引擎：TensorFlow/Keras 还是 PyTorch
简易版水果识别系统通常用迁移学习，在 MobileNetV2 或 ResNet50 上微调。选 TensorFlow/Keras 的理由是：model.predict()接口简单，保存成.h5文件后加载只要一行，适合课程设计这种不需要复杂部署的场景。PyTorch 的.pth加载要手动重建模型结构，对新手不友好。如果数据集只有几千张水果图，MobileNetV2 足够，参数量小，CPU 推理单张图在 100ms 以内，不需要 GPU 也能跑。
模型输入尺寸一般固定为 224x224，因为 MobileNetV2 在 ImageNet 上就是按这个尺寸预训练的。推理前要把 PIL 读入的图片 resize 到 224x224，再转成 numpy 数组并归一化到 [0,1] 或 [-1,1]（取决于预训练时的预处理方式）。这一步如果搞错，识别结果会完全乱掉，后面避坑章节会细说。
2.3 数据集：自己拍还是用公开水果数据集
公开水果数据集常见的有 Fruits-360，包含 100 多种水果、十几万张图片，但它的图片是白底居中拍摄的，和手机实拍差距大，直接训练出来的模型在真实场景下准确率会掉。我的做法是：用 Fruits-360 做预训练或直接拿预训练权重，然后自己用手机拍 5 到 10 类常见水果，每类 100 到 200 张，背景尽量多样，再微调最后几层。这样模型既有了基础特征，又能适应真实光照和背景。
如果只是课程设计演示，Fruits-360 里挑 5 类、每类 200 张就够。目录结构按train/苹果/xxx.jpg、val/苹果/xxx.jpg组织，Keras 的ImageDataGenerator.flow_from_directory能直接读。注意类别文件夹名就是最终输出的标签，不要用中文路径，否则在某些 Windows 环境下会报编码错误。
3. 从零跑通：PyQt5 环境配置、界面搭建和推理线程的完整代码
3.1 安装 PyQt5 和 TensorFlow 的避坑命令
热搜里 pyqt5安装、labelme 无法安装 pyqt5 说明环境问题很普遍。PyQt5 在 Windows 上直接用 pip 装通常没问题，但如果之前装过 PyQt6 或 PySide，会出现版本冲突。我一般先建虚拟环境，再按固定版本装：
python -m venv venv venv\Scripts\activate pip install PyQt5==5.15.9 pip install tensorflow==2.13.0 pip install pillow numpy逻辑说明：PyQt5 5.15.x 是最后一个支持 Python 3.7-3.11 的稳定大版本，和 TensorFlow 2.13 兼容性好。不要装 PyQt5 6.x，因为 6.x 的 API 有变动，网上大部分教程代码跑不通。如果 pip 装 PyQt5 报错，先升级 pip：python -m pip install --upgrade pip。labelme 无法安装 pyqt5 通常是因为 labelme 依赖的 PyQt5 版本和系统里已有的冲突，解决办法是给 labelme 单独建一个虚拟环境，不要和主项目混用。
3.2 用 Qt Designer 拖出主窗口，再转成 Python 代码
界面部分我一般用 Qt Designer 拖控件，保存成.ui文件，再用pyuic5转成.py。主窗口需要这些控件：一个 QLabel 显示图片（objectName 设为image_label），一个 QPushButton 选图片（btn_open），一个 QPushButton 开始识别（btn_predict），一个 QLabel 显示结果文字（result_label），一个 QProgressBar 显示推理进度（progress_bar）。转换命令：
pyuic5 mainwindow.ui -o ui_mainwindow.py转换后生成的ui_mainwindow.py不要手动改，每次改界面重新生成。主程序里用继承的方式加载：
from PyQt5.QtWidgets import QApplication, QMainWindow from ui_mainwindow import Ui_MainWindow class MainWindow(QMainWindow, Ui_MainWindow): def __init__(self): super().__init__() self.setupUi(self) self.btn_open.clicked.connect(self.open_image) self.btn_predict.clicked.connect(self.start_predict)参数说明：setupUi是 pyuic5 生成的方法，负责创建所有控件并布局。信号槽连接放在__init__里，保证窗口一启动按钮就可用。open_image和start_predict是自定义方法，分别处理选图和推理。
3.3 把推理放进 QThread，避免界面卡死
这是整个系统最容易翻车的地方。如果直接在按钮点击槽里调model.predict()，界面会冻结几秒，用户以为程序挂了。正确做法是继承 QThread，在run里做推理，完成后发信号：
from PyQt5.QtCore import QThread, pyqtSignal import numpy as np from tensorflow.keras.models import load_model from tensorflow.keras.preprocessing import image class PredictThread(QThread): finished = pyqtSignal(str, float) def __init__(self, img_path, model_path): super().__init__() self.img_path = img_path self.model_path = model_path def run(self): model = load_model(self.model_path) img = image.load_img(self.img_path, target_size=(224, 224)) x = image.img_to_array(img) / 255.0 x = np.expand_dims(x, axis=0) preds = model.predict(x) idx = np.argmax(preds[0]) confidence = float(preds[0][idx]) class_names = ['苹果', '香蕉', '橙子', '葡萄', '西瓜'] self.finished.emit(class_names[idx], confidence)逻辑说明：load_model放在run里而不是__init__，是因为加载模型耗时，放在子线程里不阻塞界面。target_size=(224,224)必须和训练时一致。/255.0是归一化，如果训练时用的是preprocess_input，这里要换成对应的预处理函数。finished信号带两个参数：类别名和置信度，主线程收到后更新result_label。
主线程里这样用：
def start_predict(self): if not self.img_path: return self.progress_bar.setRange(0, 0) # 不确定进度，显示忙碌状态 self.thread = PredictThread(self.img_path, 'fruit_model.h5') self.thread.finished.connect(self.on_predict_done) self.thread.start() def on_predict_done(self, label, conf): self.progress_bar.setRange(0, 100) self.progress_bar.setValue(100) self.result_label.setText(f'识别结果：{label}，置信度：{conf:.2%}')注意：self.thread要保存为实例属性，否则局部变量被回收后线程可能异常终止。setRange(0,0)是 Qt 里显示忙碌进度条的技巧，识别完成后恢复成 0-100 并设成 100。
3.4 模型训练脚本：用 MobileNetV2 微调 5 类水果
训练脚本独立于界面，跑一次生成fruit_model.h5即可。核心代码：
from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras.layers import Dense, GlobalAveragePooling2D from tensorflow.keras.models import Model from tensorflow.keras.preprocessing.image import ImageDataGenerator base = MobileNetV2(weights='imagenet', include_top=False, input_shape=(224,224,3)) base.trainable = False x = base.output x = GlobalAveragePooling2D()(x) x = Dense(128, activation='relu')(x) preds = Dense(5, activation='softmax')(x) model = Model(inputs=base.input, outputs=preds) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) train_datagen = ImageDataGenerator(rescale=1./255, rotation_range=20, zoom_range=0.2, horizontal_flip=True) train_gen = train_datagen.flow_from_directory('dataset/train', target_size=(224,224), batch_size=32, class_mode='categorical') model.fit(train_gen, epochs=10) model.save('fruit_model.h5')参数说明：include_top=False去掉 ImageNet 的 1000 类分类头，换成自己的 5 类。base.trainable = False先冻结预训练权重，只训练新加的全连接层，这样小数据集也能收敛。rotation_range和horizontal_flip做数据增强，防止过拟合。epochs=10对几百张图通常够，如果 loss 还在降可以加到 20。训练完保存成.h5，界面加载的就是这个文件。
4. 避坑与排查：水果识别系统最常见的 5 个翻车现场
4.1 识别结果全是同一类，置信度还很高
现象：不管选什么图片，输出都是「苹果」，置信度 0.99。原因：训练时类别不平衡，苹果图片远多于其他类，模型学会了偷懒全猜苹果。解决：检查dataset/train下每个类别文件夹的图片数量，差距不要超过 2 倍；在flow_from_directory里加class_weight参数，给少样本类更高权重。
4.2 界面点识别后直接闪退，没有任何报错
现象：点按钮后窗口消失，命令行也没输出。原因：子线程里抛了异常，但 Qt 默认不打印线程异常，直接终止进程。解决：在PredictThread.run里用 try/except 包住所有代码，把异常信息通过信号发回主线程显示；或者在run开头加import traceback，except 里traceback.print_exc()。
4.3 图片显示变形，QLabel 拉伸得不成比例
现象：选了一张长方形图片，显示在 QLabel 里被拉成正方形。原因：直接setPixmap没有保持宽高比。解决：用QPixmap.scaled(self.image_label.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation)，KeepAspectRatio保证不变形，SmoothTransformation让缩放后不锯齿。
4.4 打包成 exe 后提示找不到模型文件
现象：PyCharm 里跑得好好的，用 PyInstaller 打包后双击 exe 报FileNotFoundError: fruit_model.h5。原因：PyInstaller 不会自动把.h5文件打进 exe，需要手动指定。解决：打包命令加--add-data "fruit_model.h5;."，代码里用sys._MEIPASS拼路径：
import sys, os def resource_path(relative): if hasattr(sys, '_MEIPASS'): return os.path.join(sys._MEIPASS, relative) return os.path.join(os.path.abspath('.'), relative)4.5 安装 PyQt5 后 PyCharm 里 import 报红，但能运行
现象：from PyQt5.QtWidgets import QApplication下面有红色波浪线，但点运行又能跑。原因：PyCharm 的解释器没选对虚拟环境，或者 PyQt5 装在了系统 Python 里而不是项目 venv 里。解决：File → Settings → Project → Python Interpreter，确认选的是项目 venv 下的 python.exe；如果列表里没有，手动添加 venv/Scripts/python.exe。热搜里 vscode python环境配置、vscode配置python 也是同类问题，VS Code 里按 Ctrl+Shift+P 选解释器即可。
5. 让识别更准的进阶技巧：置信度阈值和 Top-3 输出
简易版跑通后，下一步是让结果更可信。我一般加两个东西：置信度阈值和 Top-3 候选。阈值的作用是当最高置信度低于某个值（比如 0.6）时，不直接输出类别，而是提示「不确定，请换一张清晰图片」。Top-3 则是把概率最高的三个类别都列出来，用户能看到模型犹豫在哪两类之间，对调试和演示都有用。
改PredictThread.run里的输出逻辑：
preds = model.predict(x)[0] top3 = np.argsort(preds)[-3:][::-1] results = [(class_names[i], float(preds[i])) for i in top3] if results[0][1] < 0.6: self.finished.emit('不确定', results[0][1]) else: self.finished.emit(results[0][0], results[0][1])参数说明：np.argsort(preds)[-3:][::-1]取概率最大的三个索引并降序排列。阈值 0.6 是经验值，如果模型在验证集上准确率 90% 以上，可以降到 0.5；如果只有 70%，建议提到 0.7。这个阈值没有绝对标准，用验证集跑一遍，看错误样本的置信度分布，选一个能过滤大部分错误的点。
另一个技巧是推理前做一次简单的图像质量检查：如果图片分辨率低于 100x100，或者整体亮度均值低于 30（太暗），直接提示用户重拍，不送进模型。这能避免很多「模型明明训练得不错但实拍就是错」的玄学问题。我自己的习惯是，每加一个后处理规则，都在验证集上跑一遍对比准确率，确认有提升再保留，不然就是给自己挖坑。希望帮到你。
本文还有配套的精品资源，点击获取
