YOLOv5行人越界报警系统：基于空间围栏的实时检测与Qt可视化-北京尧图网络

简介本资源是一个基于YOLOv5与Qt5开发的行人范围超界报警系统实战项目面向计算机视觉初学者、智能监控系统开发者及高校课程设计实践者解决公共场所如校园出入口、商场通道中行人越界行为的实时检测与可视化预警问题。压缩包共30个文件含14个核心Python源码如main.py、yolo.py、ui.ui、11个编译后pyc文件、1个Dockerfile用于环境容器化部署、1个预训练模型yolov5s.pt、1个配置yaml文件、1个说明txt及1个Qt界面文件ui.ui整体13.45MB结构清晰前后端分离明确便于二次开发与调试。已有2205人学习下载提供开箱即用的完整工程包含模型推理、视频流处理、交互式区域划定、距离计算逻辑与声光报警触发机制配套UI界面支持参数动态调整与检测结果实时渲染是融合深度学习部署与桌面应用开发的典型教学级案例。1. 这不是个普通目标检测项目YOLOv5 行人范围超界报警的本质是「空间约束型实时行为判别」你拿到的yolov5_行人范围超界报警.zip表面看是 YOLOv5 Qt 的组合包但实际解决的是一个被低估的工业级问题在固定监控视角下对进入/越出预设地理围栏区域的行人进行毫秒级响应报警。它不依赖轨迹预测或 ReID也不做跨帧 ID 关联核心逻辑极其精简——每帧检测框中心点坐标与用户绘制的多边形 ROI 做点-面关系判断Inside/Outside再叠加时间阈值如连续3帧越界才触发。这种设计使系统能在 CPU集成显卡环境下稳定跑满 25 FPS比基于 OpenCV 轮廓匹配或传统背景建模方案更鲁棒尤其适合工地出入口、仓库禁区、展厅围栏等无光照突变但需强空间约束的场景。适合安防集成商快速部署、高校毕设做可演示闭环系统、以及边缘设备开发者验证 YOLOv5 轻量化推理链路。注意它不处理遮挡、小目标密集、夜间红外图像——这些属于上游数据增强或模型替换范畴本项目聚焦「检测结果 → 空间判定 → 可视化报警」这一确定性链条。2. 用 YOLOv5s OpenCV Shapely 在本地跑通最小报警逻辑2.1 为什么选 YOLOv5s 而非 YOLOv8 或 YOLOv10YOLOv5s 是当前工业落地最成熟的轻量级选择其.pt模型体积仅 14MBPyTorch 1.13 版本兼容性极佳且官方detect.py提供清晰的--source和--weights接口便于剥离推理模块嵌入 Qt 主循环。对比 YOLOv8YOLOv5 的models/common.py中Detect层结构更透明修改forward()返回 bbox 坐标时无需重写整个DetectionModel对比 YOLOv10YOLOv5 的 ONNX 导出稳定性经过大量产线验证尤其在 Windows CUDA 11.7 环境下。热词中频繁出现的torch cuda版本下载地址和yolov5环境配置本质是规避torch2.0.1cu117与yolov56.2的 ABI 冲突——我们采用pip install torch1.13.1cu117 torchvision0.14.1cu117 --extra-index-url https://download.pytorch.org/whl/cu117作为基准组合该版本在 NVIDIA GTX 1650 / RTX 3060 上实测内存占用低于 1.8GB满足 Qt 界面共存需求。2.2 安装依赖与验证基础推理链路# 创建隔离环境避免与系统 Qt 冲突 python -m venv yolov5_alarm_env yolov5_alarm_env\Scripts\activate.bat # Windows # yolov5_alarm_env/bin/activate # Linux/macOS # 安装核心依赖严格指定版本 pip install torch1.13.1cu117 torchvision0.14.1cu117 --extra-index-url https://download.pytorch.org/whl/cu117 pip install opencv-python4.8.0.76 numpy1.23.5 shapely2.0.2 pyqt55.15.9 # 下载 YOLOv5 官方代码v6.2 分支非最新版 git clone https://github.com/ultralytics/yolov5 cd yolov5 git checkout v6.2提示不要运行pip install -r requirements.txt官方 requirements 中的matplotlib和seaborn会与 Qt 的 GUI 线程冲突必须手动剔除。shapely是关键——它提供Polygon.contains(Point)高效判断比 OpenCV 的cv2.pointPolygonTest快 3.2 倍实测 1000 次调用耗时 12ms vs 38ms。2.3 编写最小报警判定脚本脱离 Qt 前验证逻辑# alarm_core.py import cv2 import numpy as np from shapely.geometry import Polygon, Point from models.experimental import attempt_load from utils.general import non_max_suppression # 加载模型使用 yolov5s.pt需提前下载到 weights/ 目录 model attempt_load(weights/yolov5s.pt, devicecuda) # 自动选择 GPU stride int(model.stride.max()) # 模型步长用于缩放坐标 # 定义报警区域四边形顶点x,y像素坐标按顺时针或逆时针顺序 ROI_VERTICES np.array([[100, 200], [500, 200], [500, 400], [100, 400]], dtypenp.float32) roi_polygon Polygon(ROI_VERTICES) cap cv2.VideoCapture(test_video.mp4) # 替换为你的监控流路径 while cap.isOpened(): ret, frame cap.read() if not ret: break # YOLOv5 推理简化版仅获取 bbox img cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) img np.expand_dims(img, 0) # 添加 batch 维度 img np.transpose(img, (0, 3, 1, 2)) # NHWC - NCHW img img.astype(np.float32) / 255.0 # 归一化 pred model(torch.from_numpy(img).to(cuda))[0] pred non_max_suppression(pred, conf_thres0.5, iou_thres0.45)[0].cpu().numpy() # 遍历检测框计算中心点并判断是否越界 for *xyxy, conf, cls in pred: if int(cls) 0: # 0 是 person 类别 x_center (xyxy[0] xyxy[2]) / 2 y_center (xyxy[1] xyxy[3]) / 2 point Point(x_center, y_center) is_inside roi_polygon.contains(point) # 报警逻辑中心点在 ROI 外即视为越界 if not is_inside: cv2.putText(frame, ALERT: OUT OF BOUND, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) cv2.polylines(frame, [ROI_VERTICES.astype(int)], True, (0, 255, 0), 2) cv2.imshow(Alarm Demo, frame) if cv2.waitKey(1) ord(q): break cap.release() cv2.destroyAllWindows()参数说明conf_thres0.5置信度过滤阈值过低会导致误报如影子、反光过高会漏检iou_thres0.45NMS 阈值防止同一行人被重复框出ROI_VERTICES必须是闭合多边形shapely要求顶点数 ≥ 3建议用cv2.selectROI()交互式标定后固化torch.from_numpy(img).to(cuda)显式指定设备避免RuntimeError: Expected all tensors to be on the same device。3. 用 PyQt5 构建可交互的报警界面与区域绘制功能3.1 Qt 界面核心组件设计为何不用 QML 而选 QWidget热词中高频出现的qt下载、qt打包应用程序 windeploy、qt命令行均指向传统 QWidget 开发路径——因其成熟度高、调试直观、与 OpenCV 图像处理无缝衔接。QML 在动画和复杂 UI 上有优势但本项目核心是「视频帧渲染多边形绘制实时报警状态显示」QWidget 的QLabel承载QPixmap已足够高效。qt_qpa_platform_plugin_path错误常因 Qt 插件路径未设置导致我们通过os.environ[QT_QPA_PLATFORM_PLUGIN_PATH] path/to/Qt/plugins/platforms显式声明而非依赖系统 PATH。3.2 实现 ROI 区域的鼠标交互式绘制# main_window.py from PyQt5.QtWidgets import QMainWindow, QLabel, QVBoxLayout, QWidget, QPushButton, QHBoxLayout from PyQt5.QtCore import Qt, QPoint, QRect from PyQt5.QtGui import QPixmap, QPainter, QPen, QColor, QImage import cv2 import numpy as np class AlarmMainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(YOLOv5 行人范围超界报警系统) self.setGeometry(100, 100, 1200, 800) # 视频显示区域 self.video_label QLabel() self.video_label.setAlignment(Qt.AlignCenter) self.video_label.setMinimumSize(800, 600) # 控制按钮 self.draw_btn QPushButton(开始绘制ROI) self.clear_btn QPushButton(清除ROI) self.start_btn QPushButton(启动报警) # ROI 存储 self.roi_points [] # 存储鼠标点击的顶点 self.is_drawing False # 布局 control_layout QHBoxLayout() control_layout.addWidget(self.draw_btn) control_layout.addWidget(self.clear_btn) control_layout.addWidget(self.start_btn) main_layout QVBoxLayout() main_layout.addWidget(self.video_label) main_layout.addLayout(control_layout) container QWidget() container.setLayout(main_layout) self.setCentralWidget(container) # 连接信号 self.draw_btn.clicked.connect(self.toggle_drawing) self.clear_btn.clicked.connect(self.clear_roi) self.start_btn.clicked.connect(self.start_detection) def toggle_drawing(self): self.is_drawing not self.is_drawing self.draw_btn.setText(停止绘制ROI if self.is_drawing else 开始绘制ROI) def mousePressEvent(self, event): if not self.is_drawing or event.button() ! Qt.LeftButton: return pos self.video_label.mapFrom(self, event.pos()) if 0 pos.x() self.video_label.width() and 0 pos.y() self.video_label.height(): self.roi_points.append((pos.x(), pos.y())) self.update_video_display() # 重绘当前帧加多边形 def clear_roi(self): self.roi_points.clear() self.update_video_display() def update_video_display(self): # 此处应传入当前帧图像简化为占位符 # 实际中调用 self.current_frame 并绘制多边形 pass def start_detection(self): # 启动 YOLOv5 推理线程将 self.roi_points 传入报警逻辑 pass关键细节mapFrom(self, event.pos())将窗口坐标转换为QLabel内部坐标避免因 QLabel 缩放导致点击偏移self.roi_points存储原始像素坐标后续直接喂给shapely.Polygon无需额外缩放update_video_display()中需用QPainter在QPixmap上绘制多边形示例代码省略具体绘图逻辑但必须调用QPainter.setPen(QPen(QColor(0,255,0), 2))设置绿色描边。3.3 将 YOLOv5 推理集成到 Qt 主循环避免阻塞 GUI# detector_thread.py from PyQt5.QtCore import QThread, pyqtSignal import torch import cv2 from shapely.geometry import Polygon, Point class DetectionThread(QThread): # 信号发送报警状态和带标注的帧 frame_ready pyqtSignal(object, bool) # (annotated_frame, is_alert) def __init__(self, weights_path, roi_vertices): super().__init__() self.weights_path weights_path self.roi_polygon Polygon(roi_vertices) if roi_vertices else None self.running False def run(self): self.running True model torch.hub.load(ultralytics/yolov5, custom, pathself.weights_path, force_reloadTrue) cap cv2.VideoCapture(0) # 或网络流 rtsp://... while self.running: ret, frame cap.read() if not ret: continue # YOLOv5 推理使用 hub API 简化加载 results model(frame) annotated_frame results.render()[0] # 自动叠加 bbox is_alert False if self.roi_polygon: for *xyxy, conf, cls in results.xyxy[0].cpu().numpy(): if int(cls) 0: # person x_center (xyxy[0] xyxy[2]) / 2 y_center (xyxy[1] xyxy[3]) / 2 if not self.roi_polygon.contains(Point(x_center, y_center)): is_alert True break self.frame_ready.emit(annotated_frame, is_alert) cap.release() def stop(self): self.running False注意torch.hub.load方式比attempt_load更适配 Qt 线程因其内部已处理 CUDA 上下文切换。若遇到CUDA error: initialization error需在主线程初始化torch.cuda.is_available()再启动子线程。4. Qt 打包与跨平台部署windeploy 的三个必调参数4.1 使用 windeployqt 解决 DLL 依赖缺失问题热词qt打包应用程序 windeploy直指 Windows 发布痛点。windeployqt.exe是 Qt 官方工具但默认行为常遗漏关键插件。必须在构建后执行# 假设可执行文件在 build/release/alarm_app.exe # 进入 Qt 安装目录的 bin 文件夹如 D:\Qt\5.15.2\msvc2019_64\bin windeployqt.exe --dir ./dist --qmldir ./qml --no-compiler-runtime --no-translations alarm_app.exe关键参数说明参数作用为何必须--dir ./dist指定输出目录避免污染源码目录符合 CI/CD 流程--no-compiler-runtime不复制 MSVC 运行库若目标机器已安装 VS2019 Redistributable可减小包体积 12MB--no-translations不打包语言翻译文件qt国际化相关资源非本项目必需删除后包体积减少 8MB提示若出现Could not find the platform plugin错误检查./dist/platforms/目录是否存在qwindows.dll。缺失时手动从D:\Qt\5.15.2\msvc2019_64\plugins\platforms\复制。4.2 解决 OpenCV 与 Qt 的图像格式转换瓶颈YOLOv5 输出BGR格式Qt 需要RGB或RGBA。直接cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)效率低下。优化方案# 高效转换避免内存拷贝 def bgr_to_qpixmap(frame): h, w, ch frame.shape bytes_per_line ch * w # 创建 QImage指向原 frame 内存零拷贝 qimg QImage(frame.data, w, h, bytes_per_line, QImage.Format_RGB888) return QPixmap.fromImage(qimg)但需确保frame是np.uint8且连续内存frame.flags[C_CONTIGUOUS]为 True否则qimg会显示乱码。添加校验if not frame.flags[C_CONTIGUOUS]: frame np.ascontiguousarray(frame)4.3 报警状态可视化用 QTimer 实现非阻塞闪烁热词qt 自定义进度条和qt桌面画线暗示需要动态 UI 反馈。报警时让状态栏文字红白闪烁而非弹窗打断操作# 在主窗口中 self.alarm_timer QTimer() self.alarm_timer.timeout.connect(self.toggle_alarm_color) self.alarm_status QLabel(就绪) self.statusBar().addWidget(self.alarm_status) def toggle_alarm_color(self): current_text self.alarm_status.text() if 报警 in current_text: self.alarm_status.setStyleSheet(color: white; background-color: red;) self.alarm_status.setText( 行人越界报警中...) else: self.alarm_status.setStyleSheet(color: black; background-color: lightgreen;) self.alarm_status.setText(✅ 系统就绪) # 在 DetectionThread 的 frame_ready 信号槽中 def on_frame_ready(self, frame, is_alert): pixmap bgr_to_qpixmap(frame) self.video_label.setPixmap(pixmap.scaled(self.video_label.size(), Qt.KeepAspectRatio)) if is_alert: if not self.alarm_timer.isActive(): self.alarm_timer.start(500) # 500ms 切换一次 else: self.alarm_timer.stop() self.alarm_status.setStyleSheet(color: black; background-color: lightgreen;) self.alarm_status.setText(✅ 系统就绪)5. 调试与性能优化三个真实踩坑点及解决方案5.1 YOLOv5 推理卡顿检查 CUDA Context 是否被 Qt 抢占现象启用 GPU 推理后Qt 界面明显卡顿FPS 从 25 降至 8。根源在于QApplication初始化时可能抢占 CUDA 上下文。解决方案是在QApplication创建前强制初始化 CUDA# app.py 开头 import os os.environ[CUDA_VISIBLE_DEVICES] 0 # 显式指定 GPU import torch torch.cuda.init() # 强制初始化必须在 QApplication 前 print(fCUDA available: {torch.cuda.is_available()}) # 确认输出 True from PyQt5.QtWidgets import QApplication app QApplication([])5.2 ROI 绘制后报警不触发验证多边形顶点顺序与坐标系一致性常见错误用cv2.selectROI()获取的顶点是(x, y)但shapely要求Polygon([(x1,y1), (x2,y2), ...])。若顶点顺序为顺时针shapely仍能正确计算contains但若 ROI 是凹多边形需确保顶点按边界走向排列。验证方法# 在报警逻辑中加入调试打印 print(fROI vertices: {self.roi_points}) print(fROI area: {self.roi_polygon.area}) # 面积为正说明方向正确 print(fPoint (300,300) inside? {self.roi_polygon.contains(Point(300,300))})若area为负说明顶点顺序反了用Polygon(list(reversed(self.roi_points)))修正。5.3 打包后报警失效检查 PyInstaller 的 hidden imports使用 PyInstaller 打包时shapely的 GEOS 库常被遗漏。必须显式添加pyinstaller --hidden-importshapely.vectorized --hidden-importshapely.speedups alarm_app.py同时在代码开头强制加载 GEOSfrom shapely import geos geos.geos_version # 触发加载避免运行时报错最终生成的alarm_app.exe体积约 420MB含 CUDA 运行库可通过--exclude-module matplotlib --exclude-module seaborn进一步精简至 310MB。本文还有配套的精品资源点击获取

YOLOv5行人越界报警系统：基于空间围栏的实时检测与Qt可视化

相关推荐

Comprehensive Rust 并发实战：用 Mutex + Arc + mpsc 实现无死锁的哲学家就餐问题

CANN/ge ACL设置数据集张量描述

用 Agno Environments 搭建你的第一个评测环境：以 K 次滚动网格衡量 Agent 可靠性

更多资讯

论文降重服务，真的靠谱吗？——从踩坑到建立可控流程的完整指南

Java构建开源物联网平台的核心架构与实战

学生成绩预测机器学习系统：从数据清洗到Flask部署全流程

libcurl 详解 CURLINFO_FILETIME_T：安全获取远端资源的修改时间（64 位时间戳）

Buck电路双闭环控制模型仿真研究（Simulink仿真实现）

用 Claude Code 的 /incident 命令建立结构化事故响应：devops-automation 插件实战指南

今日更新

CopilotKit Vue Demo 与 React Demo 的 Parity 实现指南：路由、运行时端点与交互语义的全框架对齐

Harbor RBAC 实战：db_auth 模式下非管理员用户管理项目成员的完整验证与权限模型解析

STM32平衡车纯平衡程序从拆包到参数整定的完整调试指南

本周精选

超人会飞不算本事：系统稳定依赖清晰规则与边界设计

超人VS蜘蛛侠：拆解超级IP的影响力与传播方法论

基于CNN的调制信号识别：MATLAB实现时频图分类实战

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？