🛠 技术栈组成

1. 核心框架

• PySide6：基于Qt的Python GUI框架，实现可视化界面（窗口、按钮、进度条等组件）
• YOLOv8：Ultralytics提供的轻量级目标检测模型，快速识别道路缺陷
• OpenCV：处理图像/视频的读取、标注和保存

1. 辅助工具

• 多线程：QThread处理后台任务，避免界面卡顿（例：批量检测时不冻结界面）
• 文件管理：os和shutil库实现自动创建结果文件夹、重命名文件
• 数据统计：动态计算置信度、缺陷数量等指标

📋 核心功能模块

1. 双模式检测引擎

# ui_components.py 中模式切换

def on_mode_changed(self, button):

  if button == self.folder_mode_radio:

    self.current_detection_mode = "folder"

    self.predict_button.setText("开始批量检测")

  else:

    self.current_detection_mode = "single"

    self.predict_button.setText("开始检测图片")

• 学生可学点
• 如何通过单选按钮控制程序逻辑
• 界面组件动态切换的实现（显示/隐藏文件夹选择框）

2. 图像处理流程

• 关键代码

# file_processor.py 中图片检测
results = self.model.predict(source=image_file, imgsz=640, conf=0.5)
results[0].save(filename=output_file)  # 保存带标注的结果图

• 技术细节
• YOLO模型的输入输出格式处理
• OpenCV与PySide6的QPixmap图像格式转换

3. 视频流处理

• 实现原理

1. 使用OpenCV逐帧读取视频
2. 每10帧调用一次YOLO预测（平衡性能与实时性）
3. 用MP4V编码器保存处理后的视频

# 视频写入设置（file_processor.py）
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter(output_path, fourcc, fps, (width, height))

4. 数据统计面板

• 动态更新逻辑

# ui_components.py 中统计更新
def update_stats_display(self):
    avg_conf = self.stats["confidence_sum"] / self.stats["confidence_count"] * 100
    self.confidence_avg_label.setText(f"平均置信度: {avg_conf:.1f}%")

• 学习价值
• 多线程中信号(Signal)与槽(Slot)的数据传递
• 实时数据可视化的实现思路

📂 代码结构速览

├── app.py            # 程序入口（启动+样式配置）
├── ui_components.py  # 主界面逻辑（按钮/布局/事件）
├── file_processor.py # 文件处理核心（多线程/模型调用）
└── config.py         # 参数配置（路径/模型/界面尺寸）