一、系统介绍

本系统是一套基于深度学习的淡水鱼检测桌面应用，采用 Ultralytics YOLOv8 作为核心检测引擎，PySide6 构建图形用户界面，专门用于水产养殖品种识别、市场鱼类辨识、渔业资源监测、教学科研等场景。用户只需加载预训练模型并选择图片、视频或摄像头，即可自动识别并标注出图像中的淡水鱼种类，同时输出类别名称、置信度、坐标等完整信息。

系统面向水产养殖人员、市场监管人员、渔业研究者、生物教学等非专业编程用户设计，提供直观的中文图形界面，无需编写任何代码即可完成从模型加载到结果导出的全流程操作。

核心能力：

• 自动识别 4 种常见淡水鱼（黄辣丁、鳊鱼、鲫鱼、黑鱼）

• 支持中文/英文类别名称切换

• 一键导出检测结果 Excel 报表与标注图片/视频

二、功能介绍

2.1 多模式检测

输入模式	说明
单张图片	选择一张图片进行检测，结果显示在右侧面板
批量图片	选择文件夹，自动检测其中所有图片文件
视频文件	逐帧检测视频，支持跳帧加速
实时摄像头	连接 USB/内置摄像头，实时显示检测结果

2.2 参数调节

• 置信度阈值（0.01-1.0）：低于此值的目标被过滤，值越高检测越严格

• IoU 阈值（0.01-1.0）：控制重叠检测框的去重程度

• 跳帧设置：视频/摄像头模式下每隔 N 帧检测一次，降低系统负载

• 推理尺寸（320-1280）：图像缩放尺寸，影响检测精度和速度

• 标注样式：检测框粗细（1-10）、标签字号（0.3-2.0）、中英文类别名切换

2.3 类别筛选

支持从 4 种淡水鱼中勾选需要检测的类别，未勾选的类别将不被识别。支持全选/全不选快捷操作。

2.4 实时画面显示

• 左侧画面：原始输入图像

• 右侧画面：标注后的检测结果（含检测框、类别名、置信度、中心点）

• 拖拽中间分隔条可调整双画面比例

• 底部实时显示当前帧检出目标数和类别数

2.5 统计与分析

• 统计图表（柱状图）：各鱼类检出数量可视化，不同类别使用不同颜色

• 检测明细表：每条检测结果的完整信息

• 系统日志：完整运行日志，支持着色显示和导出为文本文件

2.6 检测历史记录

• 每次完成检测任务后自动写入数据库

• 弹窗中可：刷新、打开当时的结果目录、删除单条、清空全部

2.7 结果保存

• 检测后的标注图片（JPEG 格式）

• 检测后的标注视频（MP4 格式）

• 完整检测明细 Excel 报表（.xlsx 格式，可用 WPS/Excel 打开）

2.8 用户认证

本地 SQLite 数据库存储账号信息，SHA-256 + 随机盐值加密密码，支持注册和登录。

三、技术介绍

3.1 整体架构

 main.py                  # 程序入口：初始化数据库 → 登录认证 → 启动主界面
 auth.py                  # 认证模块：SQLite 用户数据库 + 登录/注册界面
 ui_main.py               # 主界面：UI 构建 + 信号连接 + 业务逻辑 + 弹窗组件
 detection_thread.py      # 检测线程：QThread 子类，后台 YOLO 推理
 config.py                # 全局配置：动态路径、默认参数、中英文类别字典

3.2 核心技术栈

技术	用途	版本说明
PySide6	Qt for Python GUI 框架	6.x
Ultralytics YOLOv8	目标检测模型	v8.1.30
OpenCV	图像读取/写入/绘制	cv2
PyTorch	深度学习后端	2.0.1+
matplotlib	统计图表绘制	3.x
pandas	数据导出 (Excel)	2.x
SQLite3	用户数据库	Python 内置

3.3 线程模型

检测在独立子线程中运行，避免阻塞 GUI 主线程：

3.4 模型信息

• 模型架构：YOLOv8（可替换为任意 Ultralytics YOLO 版本）

• 类别数量：4 种常见淡水鱼

• 模型格式：支持 .pt（PyTorch）、.onnx（ONNX）、.engine（TensorRT）

---

四、系统优势

4.1 零代码操作

全中文图形界面，无需编程基础。从注册登录到模型加载、检测分析、结果导出，全部通过按钮和弹窗完成。

4.2 路径动态解析

所有路径（模型、保存、字体）基于项目根目录动态计算，项目文件夹改名或移动到其他位置均无需修改配置。

4.3 完整的中文生态

• 类别名支持中文显示（4 种淡水鱼均有中文翻译）

• 界面全中文

• 日志、统计、表格列名均为中文

• 图表中文正常渲染

• 中文路径完整支持

4.4 灵活的参数控制

置信度、IoU、跳帧、推理尺寸、检测框粗细、字号、中英文切换均可通过弹窗实时调节，无需重启或修改代码。

五、系统部分功能展示

5.1登录界面

5.2系统主界面

5.3参数调节

5.4图片检测

5.5结果统计

5.6检测历史

5.7、数据集部分训练结果展示

---

六、其他说明

本系统为本人开发的原创作品。

第三方组件声明

组件	用途	许可
PySide6	Qt for Python GUI 框架	LGPL v3
Ultralytics YOLO	目标检测算法实现	AGPL v3
OpenCV (opencv-python)	图像处理	Apache 2.0
PyTorch	深度学习框架	BSD
matplotlib	统计图表	PSF-based
pandas	数据导出	BSD 3-Clause
Pillow	中文文字渲染	Historical Permission Notice and Disclaimer (HPND)

免责声明

本系统仅供学习与研究使用。训练数据和预训练模型版权归原始数据采集者所有。商业使用请确保获得相关授权。