尧图网站建设 
简介本资源为基于PyQt5与深度学习实现的骨龄识别检测Python项目源码面向具备一定Python基础、希望将目标检测模型落地为桌面应用的开发者与学习者。项目以YOLOv5为核心检测框架配套图形化界面可完成骨龄相关目标的识别与检测任务数据集来自百度飞桨平台需按说明完成图片标注、VOC转YOLO格式及数据配置文件修改等预处理流程。压缩包共约200个文件整体717.07MB包含69个py源码、53个yaml与12个yml配置、18个pth模型权重以及md说明文档、sh脚本、Dockerfile部署文件等覆盖训练、推理与界面运行所需模块。已有726人学习下载。资源内代码均经过测试运行成功读者可获得完整可运行的工程结构、预训练模型文件、项目使用说明与数据预处理脚本便于快速复现骨龄检测流程并在此基础上二次开发。1. 骨龄识别这套 PyQt5 源码为什么值得先跑通再谈优化骨龄评估在儿科内分泌、生长发育门诊里是个高频刚需传统方法是医生对着左手腕 X 光片逐块骨骺比对图谱费时且主观性强。这套基于 PyQt5 深度学习实现的骨龄识别检测 Python 源码把推理模型和图形界面打包在一起下载解压后就能在本地跑出一张骨龄预测结果对想入门医学影像深度学习、又不想从零搭 GUI 的开发者来说省掉了大量胶水代码。它适合三类人一是做课程设计或毕设的学生需要一套能演示、能改参数的完整工程二是想验证骨龄回归/分类思路的算法工程师三是需要快速搭一个医学影像推理 Demo 的产品原型开发者。资源里含 GUI 界面、项目使用说明和模型文件数据集来自公开的骨龄影像项目整体链路是「数据预处理 → YOLO 标注转换 → 训练/推理 → PyQt5 界面展示」。需要提醒的是骨龄识别属于医学辅助场景输出结果只能作为技术验证不能替代临床诊断。下面我按自己拆包复现的顺序把这份源码从环境到推理、从参数到踩坑讲透。2. 拆开压缩包先看什么目录结构、依赖与运行环境2.1 从文件清单判断这套工程的真实形态拿到压缩包别急着双击运行先看根目录的文件构成。从项目正文给出的清单能读出几个关键信号events.out.tfevents.1686040397.HY-DKIFFGATEUML.18096.0是 TensorBoard 的事件日志说明训练过程被记录过模型不是空壳CITATION.cff说明作者希望被规范引用工程有一定完整度setup.cfg是 Python 打包配置三个Dockerfile含Dockerfile-arm64、Dockerfile-cpu说明作者考虑过不同架构和纯 CPU 部署这对没有独立显卡的机器很友好.dockerignore、.gitattributes、.gitignore是标准工程化文件。这套组合告诉我它不是随手丢出来的脚本堆而是一个带训练痕迹、可容器化、跨架构可跑的项目。实际解压后核心目录通常包含yolov5_master/数据预处理与检测相关脚本、GUI 主程序、模型权重文件和一份使用说明。先确认模型文件在不在再确认yolov5_master目录里的脚本是否齐全这决定了你后面能不能走通预处理链路。2.2 依赖安装PyQt5 与深度学习框架的版本对齐环境是这套源码翻车率最高的地方。PyQt5 和 PyTorch 对 Python 版本都敏感我一般会先建独立虚拟环境避免污染系统 Python。常见做法是用 conda 或 venv 隔离Python 版本优先选 3.8 到 3.10 之间太新容易遇到 PyQt5 轮子缺失太旧又可能装不上新版 torch。# 创建并激活独立环境Python 版本建议 3.8~3.10 conda create -n boneage python3.9 -y conda activate boneage # 先装深度学习框架CPU 版和 GPU 版二选一 # GPU 版需匹配本机 CUDA 版本这里以 cu118 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 纯 CPU 版对应 Dockerfile-cpu 的思路 # pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 再装 GUI 与图像处理依赖 pip install PyQt5 opencv-python numpy pillow pyyaml逻辑说明先装 torch 再装 PyQt5是因为 torch 的依赖解析较重先固定它能让后续包版本更稳。参数说明--index-url指定官方轮子源避免从源码编译CUDA 版本必须和本机驱动匹配装错会报CUDA error: no kernel image is available。如果只是跑推理看界面CPU 版足够速度慢但不会因为显卡驱动翻车。装完用python -c import torch, PyQt5; print(torch.__version__)验证两个都能导入再往下走。2.3 模型文件与使用说明的定位模型文件通常放在工程根目录或weights/下扩展名多为.pt。使用说明文档会写清楚入口脚本名和默认权重路径。我一般先通读说明确认三件事入口是哪个.py、权重放哪、输入图片格式要求。如果说明里提到需要先做数据预处理才能推理那说明模型可能依赖特定标注格式不能直接喂原始 X 光片。这一步别跳很多人界面打不开就是因为权重路径和说明写的不一致。3. 数据预处理链路images_tag.py 与 voc_to_yolo.py 怎么改3.1 先跑 images_tag.py图片路径是第一个必改项数据集从公开的骨龄影像项目下载后不能直接进训练。第一步是运行yolov5_master/images_tag.py它的作用是对图片做标注整理或打标签。运行前必须先改里面的图片路径否则脚本会去读一个不存在的目录直接报FileNotFoundError。# yolov5_master/images_tag.py 关键改动示意 # 原始路径大概率是作者本机路径必须换成你自己的数据集目录 IMAGE_DIR rD:/boneage_dataset/images # 改成你解压后的图片目录 LABEL_DIR rD:/boneage_dataset/labels # 标注输出目录不存在会自动建 import os os.makedirs(LABEL_DIR, exist_okTrue) # 遍历图片按脚本原有逻辑生成标签文件 for name in os.listdir(IMAGE_DIR): if name.lower().endswith((.jpg, .png, .jpeg)): img_path os.path.join(IMAGE_DIR, name) # 后续调用脚本内的标注/处理函数 # process_image(img_path, LABEL_DIR)逻辑说明这段代码的核心是把硬编码路径替换成你自己的绝对路径并确保输出目录存在。参数说明IMAGE_DIR指向原始 X 光片目录LABEL_DIR是标签输出目录两者不要设成同一个否则遍历时会把刚生成的标签也当图片处理。Windows 路径用反斜杠时记得加r前缀或用双反斜杠否则\t、\n会被当转义字符这是新手最常见的路径玄学。3.2 voc_to_yolo.py 的类别数9 大类必须对齐第二步是yolov5_master/voc_to_yolo.py它把 VOC 格式的标注转成 YOLO 格式。项目说明里明确提到该项目有 9 个大类作者在这个脚本里做了修改不建议直接参考你只需要把classes的值改成该项目的类别即可具体类别参考数据集链接。这句话是整条链路的关键类别数错了训练时标签和模型输出维度对不上loss 会直接 NaN 或报维度错误。# yolov5_master/voc_to_yolo.py 开头参数区 # 类别列表必须和数据集真实类别一一对应顺序不能乱 classes [ class_1, class_2, class_3, class_4, class_5, class_6, class_7, class_8, class_9, ] # 共 9 类名称以数据集链接里的定义为准 # 路径同样要改成自己的 VOC_ANNOTATION_DIR rD:/boneage_dataset/annotations YOLO_LABEL_DIR rD:/boneage_dataset/labels_yolo逻辑说明YOLO 格式的标签是类别索引 中心x 中心y 宽 高的归一化数值类别索引来自classes列表的下标。参数说明列表长度必须是 9顺序必须和数据集标注文件里的类别顺序一致否则索引错位会让模型学到错误映射。转换完成后随便打开一个.txt标签确认第一列数字在 0 到 8 之间出现 9 及以上就说明类别数配错了。3.3 mydata.yaml 的 path训练配置的最后一环数据转换完还要改yolov5_master/data/mydata.yaml里的path。这个文件告诉 YOLO 去哪里找训练集、验证集和类别定义。# yolov5_master/data/mydata.yaml path: D:/boneage_dataset # 数据集根目录改成你的实际路径 train: images/train # 相对 path 的训练图片目录 val: images/val # 相对 path 的验证图片目录 nc: 9 # 类别数必须和 classes 长度一致 names: # 类别名顺序和 voc_to_yolo.py 保持一致 0: class_1 1: class_2 2: class_3 3: class_4 4: class_5 5: class_6 6: class_7 7: class_8 8: class_9逻辑说明path是根train和val是相对它的子路径这样换机器时只改一处。参数说明nc必须等于 9names的键从 0 开始连续缺号会导致加载时报KeyError。改完这三个文件预处理链路才算真正打通可以进入训练或直接加载已有权重推理。提示预处理三步的顺序不能颠倒先 images_tag 再 voc_to_yolo 最后改 yaml跳步会导致标签目录为空或格式错乱。4. PyQt5 界面与推理打通从加载权重到出结果4.1 GUI 主程序的启动与权重加载PyQt5 界面的价值在于把命令行推理包装成可点击的操作。启动入口通常是根目录下的主程序运行后弹出窗口包含「选择图片」「开始检测」「结果显示」几个区域。启动前要确认权重路径正确很多界面打不开不是 PyQt5 的问题而是权重文件路径写死成了作者的机器路径。# GUI 主程序里权重加载的关键片段示意 import torch from PyQt5.QtWidgets import QApplication, QMainWindow MODEL_PATH r./weights/best.pt # 改成你实际的权重路径 class MainWindow(QMainWindow): def __init__(self): super().__init__() # 加载模型map_location 保证 CPU 环境也能加载 GPU 训练的权重 self.model torch.load(MODEL_PATH, map_locationcpu) self.model.eval() # 推理模式关闭 dropout 和 BN 更新逻辑说明torch.load的map_locationcpu是跨设备加载的关键没有它GPU 上训练的权重在纯 CPU 机器上会直接报错。参数说明MODEL_PATH指向.pt权重model.eval()必须调用否则推理结果会因 dropout 随机性而不稳定。如果界面启动报ModuleNotFoundError多半是 PyQt5 没装进当前环境回到 2.2 节确认虚拟环境是否激活。4.2 图片输入到推理输出的完整流程界面选图后程序内部走的是「读图 → 预处理 → 前向推理 → 后处理 → 显示」这条链。骨龄识别常见两种输出一种是回归出具体骨龄数值一种是分类到骨龄区间。这套源码的模型文件决定了它属于哪种使用说明里一般会写。import cv2 import numpy as np def predict(image_path, model, img_size640): img cv2.imread(image_path) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 统一色彩通道 img cv2.resize(img, (img_size, img_size)) # 对齐训练输入尺寸 tensor torch.from_numpy(img).float() / 255.0 # 归一化到 0~1 tensor tensor.permute(2, 0, 1).unsqueeze(0) # HWC - NCHW with torch.no_grad(): # 推理不建计算图省显存 output model(tensor) return output逻辑说明预处理必须和训练时一致否则推理结果会系统性偏移。参数说明img_size要和训练配置里的输入尺寸一致常见是 640/255.0是归一化如果训练时用的是 ImageNet 均值方差标准化这里也要换成对应写法。torch.no_grad()能显著降低显存占用推理场景必加。输出拿到后按模型定义做后处理回归模型直接取值检测模型还要做 NMS 去重。4.3 界面卡顿与线程处理PyQt5 主线程负责界面刷新如果把推理直接放在主线程图片一大界面就会假死用户以为程序崩了。常见做法是把推理放到QThread子线程通过信号槽把结果传回界面。from PyQt5.QtCore import QThread, pyqtSignal class InferThread(QThread): finished pyqtSignal(object) # 推理完成信号携带结果 def __init__(self, model, image_path): super().__init__() self.model model self.image_path image_path def run(self): result predict(self.image_path, self.model) self.finished.emit(result) # 子线程算完发信号回主线程更新 UI逻辑说明把耗时推理移出主线程界面保持响应。参数说明pyqtSignal(object)用于传递任意 Python 对象结果类型复杂时用object最省事。信号槽是跨线程安全的不要在子线程里直接操作界面控件否则会触发 Qt 的线程告警甚至崩溃。这一步是很多 Demo 从「能跑」到「好用」的分水岭。5. 避坑与排查这套源码最容易翻车的五个地方5.1 现象运行主程序报 No module named PyQt5原因PyQt5 装到了系统 Python而运行用的是虚拟环境或者反过来。热词里「labelme 无法安装 pyqt5」「pyqt5安装」高频出现本质都是环境错位。 解决先which pythonWindows 用where python确认当前解释器路径再pip list | grep PyQt5确认装没装。没装就pip install PyQt5装错环境就激活正确环境重装。5.2 现象voc_to_yolo 转换后标签第一列出现 9 或更大原因classes列表长度和数据集真实类别数不一致或者顺序和标注文件对不上。 解决回到数据集链接核对类别定义把classes改成正好 9 个且顺序一致。转换后抽查标签文件第一列必须在 0 到 8 之间。5.3 现象训练或推理报 CUDA out of memory原因输入尺寸过大、batch 过大或 GPU 显存本身偏小。 解决先把img_size从 640 降到 416 或 320 试跑再把 batch 降到 1。纯推理场景加torch.no_grad()能省下可观的显存。实在不行切 CPU 版慢但稳。5.4 现象界面能打开选图后没反应或直接闪退原因推理跑在主线程导致界面假死或图片路径含中文、空格导致cv2.imread返回 None。 解决按 4.3 节把推理放进 QThread图片路径尽量用纯英文无空格目录cv2.imread对中文路径支持差必要时用np.fromfile加cv2.imdecode绕过。5.5 现象mydata.yaml 改完仍报找不到数据集原因path用了相对路径但工作目录不对或train/val子目录实际不存在。 解决path先用绝对路径确认images/train、images/val真实存在。YAML 里路径分隔符统一用正斜杠/Windows 反斜杠在 YAML 里容易被解析成转义。注意以上五条里环境错位和类别数错位占了翻车案例的大半先把这两条排掉再查别的。6. 进阶技巧把推理封装成可复用接口并做结果校验跑通界面只是第一步真正让这套源码产生价值的是把它变成可复用、可校验的推理接口。我一般会在 GUI 之外单独抽一个inference.py把模型加载和预测逻辑独立出来这样既能被界面调用也能被批量脚本调用方便做结果对比。# inference.py 可复用推理接口 import torch import cv2 import numpy as np class BoneAgePredictor: def __init__(self, model_path, img_size640, devicecpu): self.device torch.device(device) self.img_size img_size # 加载权重并切到对应设备 self.model torch.load(model_path, map_locationself.device) self.model.eval() self.model.to(self.device) def preprocess(self, image_path): img cv2.imread(image_path) if img is None: raise ValueError(f图片读取失败检查路径: {image_path}) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img cv2.resize(img, (self.img_size, self.img_size)) tensor torch.from_numpy(img).float() / 255.0 return tensor.permute(2, 0, 1).unsqueeze(0).to(self.device) def predict(self, image_path): tensor self.preprocess(image_path) with torch.no_grad(): output self.model(tensor) return output.cpu().numpy()逻辑说明把加载、预处理、推理拆成三个方法职责清晰换模型或换设备只改初始化参数。参数说明device支持cpu和cuda有显卡就传cudaimg_size必须和训练一致preprocess里对img is None做了显式判断把「路径错」和「模型错」两类问题分开排查时能少走弯路。封装完接口下一步是结果校验。骨龄识别没有绝对真值但可以做一致性检查同一张图连续推理三次结果应该完全一致因为eval模式关闭了随机性把图片做轻微平移或缩放结果不应剧烈跳变如果跳变很大说明模型对输入过于敏感预处理或归一化可能和训练不一致。我还会拿几张训练集里的图跑一遍看输出是否落在合理区间如果全部输出同一个值多半是权重没加载成功或类别映射错了。校验项合格表现异常信号排查方向重复推理一致性三次结果完全相同每次结果不同是否漏了 model.eval()轻微扰动稳定性结果小幅波动结果剧烈跳变预处理/归一化是否对齐训练训练集回测输出落在合理区间全部同值或越界权重加载、类别映射路径容错正常图能读入报图片读取失败中文路径、空格、格式这套校验习惯是我踩过坑之后养成的。早些年我直接拿界面跑一张图就交付结果换台机器权重没加载成功界面照样弹出结果只是输出全是默认值差点闹笑话。从那以后我每次接这类医学影像推理工程都强制先跑一遍一致性校验再谈效果。希望帮到你。本文还有配套的精品资源点击获取 PyQt5深度学习骨龄识别源码：从环境配置到推理部署全流程解析
简介本资源为基于PyQt5与深度学习实现的骨龄识别检测Python项目源码面向具备一定Python基础、希望将目标检测模型落地为桌面应用的开发者与学习者。项目以YOLOv5为核心检测框架配套图形化界面可完成骨龄相关目标的识别与检测任务数据集来自百度飞桨平台需按说明完成图片标注、VOC转YOLO格式及数据配置文件修改等预处理流程。压缩包共约200个文件整体717.07MB包含69个py源码、53个yaml与12个yml配置、18个pth模型权重以及md说明文档、sh脚本、Dockerfile部署文件等覆盖训练、推理与界面运行所需模块。已有726人学习下载。资源内代码均经过测试运行成功读者可获得完整可运行的工程结构、预训练模型文件、项目使用说明与数据预处理脚本便于快速复现骨龄检测流程并在此基础上二次开发。1. 骨龄识别这套 PyQt5 源码为什么值得先跑通再谈优化骨龄评估在儿科内分泌、生长发育门诊里是个高频刚需传统方法是医生对着左手腕 X 光片逐块骨骺比对图谱费时且主观性强。这套基于 PyQt5 深度学习实现的骨龄识别检测 Python 源码把推理模型和图形界面打包在一起下载解压后就能在本地跑出一张骨龄预测结果对想入门医学影像深度学习、又不想从零搭 GUI 的开发者来说省掉了大量胶水代码。它适合三类人一是做课程设计或毕设的学生需要一套能演示、能改参数的完整工程二是想验证骨龄回归/分类思路的算法工程师三是需要快速搭一个医学影像推理 Demo 的产品原型开发者。资源里含 GUI 界面、项目使用说明和模型文件数据集来自公开的骨龄影像项目整体链路是「数据预处理 → YOLO 标注转换 → 训练/推理 → PyQt5 界面展示」。需要提醒的是骨龄识别属于医学辅助场景输出结果只能作为技术验证不能替代临床诊断。下面我按自己拆包复现的顺序把这份源码从环境到推理、从参数到踩坑讲透。2. 拆开压缩包先看什么目录结构、依赖与运行环境2.1 从文件清单判断这套工程的真实形态拿到压缩包别急着双击运行先看根目录的文件构成。从项目正文给出的清单能读出几个关键信号events.out.tfevents.1686040397.HY-DKIFFGATEUML.18096.0是 TensorBoard 的事件日志说明训练过程被记录过模型不是空壳CITATION.cff说明作者希望被规范引用工程有一定完整度setup.cfg是 Python 打包配置三个Dockerfile含Dockerfile-arm64、Dockerfile-cpu说明作者考虑过不同架构和纯 CPU 部署这对没有独立显卡的机器很友好.dockerignore、.gitattributes、.gitignore是标准工程化文件。这套组合告诉我它不是随手丢出来的脚本堆而是一个带训练痕迹、可容器化、跨架构可跑的项目。实际解压后核心目录通常包含yolov5_master/数据预处理与检测相关脚本、GUI 主程序、模型权重文件和一份使用说明。先确认模型文件在不在再确认yolov5_master目录里的脚本是否齐全这决定了你后面能不能走通预处理链路。2.2 依赖安装PyQt5 与深度学习框架的版本对齐环境是这套源码翻车率最高的地方。PyQt5 和 PyTorch 对 Python 版本都敏感我一般会先建独立虚拟环境避免污染系统 Python。常见做法是用 conda 或 venv 隔离Python 版本优先选 3.8 到 3.10 之间太新容易遇到 PyQt5 轮子缺失太旧又可能装不上新版 torch。# 创建并激活独立环境Python 版本建议 3.8~3.10 conda create -n boneage python3.9 -y conda activate boneage # 先装深度学习框架CPU 版和 GPU 版二选一 # GPU 版需匹配本机 CUDA 版本这里以 cu118 为例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 纯 CPU 版对应 Dockerfile-cpu 的思路 # pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 再装 GUI 与图像处理依赖 pip install PyQt5 opencv-python numpy pillow pyyaml逻辑说明先装 torch 再装 PyQt5是因为 torch 的依赖解析较重先固定它能让后续包版本更稳。参数说明--index-url指定官方轮子源避免从源码编译CUDA 版本必须和本机驱动匹配装错会报CUDA error: no kernel image is available。如果只是跑推理看界面CPU 版足够速度慢但不会因为显卡驱动翻车。装完用python -c import torch, PyQt5; print(torch.__version__)验证两个都能导入再往下走。2.3 模型文件与使用说明的定位模型文件通常放在工程根目录或weights/下扩展名多为.pt。使用说明文档会写清楚入口脚本名和默认权重路径。我一般先通读说明确认三件事入口是哪个.py、权重放哪、输入图片格式要求。如果说明里提到需要先做数据预处理才能推理那说明模型可能依赖特定标注格式不能直接喂原始 X 光片。这一步别跳很多人界面打不开就是因为权重路径和说明写的不一致。3. 数据预处理链路images_tag.py 与 voc_to_yolo.py 怎么改3.1 先跑 images_tag.py图片路径是第一个必改项数据集从公开的骨龄影像项目下载后不能直接进训练。第一步是运行yolov5_master/images_tag.py它的作用是对图片做标注整理或打标签。运行前必须先改里面的图片路径否则脚本会去读一个不存在的目录直接报FileNotFoundError。# yolov5_master/images_tag.py 关键改动示意 # 原始路径大概率是作者本机路径必须换成你自己的数据集目录 IMAGE_DIR rD:/boneage_dataset/images # 改成你解压后的图片目录 LABEL_DIR rD:/boneage_dataset/labels # 标注输出目录不存在会自动建 import os os.makedirs(LABEL_DIR, exist_okTrue) # 遍历图片按脚本原有逻辑生成标签文件 for name in os.listdir(IMAGE_DIR): if name.lower().endswith((.jpg, .png, .jpeg)): img_path os.path.join(IMAGE_DIR, name) # 后续调用脚本内的标注/处理函数 # process_image(img_path, LABEL_DIR)逻辑说明这段代码的核心是把硬编码路径替换成你自己的绝对路径并确保输出目录存在。参数说明IMAGE_DIR指向原始 X 光片目录LABEL_DIR是标签输出目录两者不要设成同一个否则遍历时会把刚生成的标签也当图片处理。Windows 路径用反斜杠时记得加r前缀或用双反斜杠否则\t、\n会被当转义字符这是新手最常见的路径玄学。3.2 voc_to_yolo.py 的类别数9 大类必须对齐第二步是yolov5_master/voc_to_yolo.py它把 VOC 格式的标注转成 YOLO 格式。项目说明里明确提到该项目有 9 个大类作者在这个脚本里做了修改不建议直接参考你只需要把classes的值改成该项目的类别即可具体类别参考数据集链接。这句话是整条链路的关键类别数错了训练时标签和模型输出维度对不上loss 会直接 NaN 或报维度错误。# yolov5_master/voc_to_yolo.py 开头参数区 # 类别列表必须和数据集真实类别一一对应顺序不能乱 classes [ class_1, class_2, class_3, class_4, class_5, class_6, class_7, class_8, class_9, ] # 共 9 类名称以数据集链接里的定义为准 # 路径同样要改成自己的 VOC_ANNOTATION_DIR rD:/boneage_dataset/annotations YOLO_LABEL_DIR rD:/boneage_dataset/labels_yolo逻辑说明YOLO 格式的标签是类别索引 中心x 中心y 宽 高的归一化数值类别索引来自classes列表的下标。参数说明列表长度必须是 9顺序必须和数据集标注文件里的类别顺序一致否则索引错位会让模型学到错误映射。转换完成后随便打开一个.txt标签确认第一列数字在 0 到 8 之间出现 9 及以上就说明类别数配错了。3.3 mydata.yaml 的 path训练配置的最后一环数据转换完还要改yolov5_master/data/mydata.yaml里的path。这个文件告诉 YOLO 去哪里找训练集、验证集和类别定义。# yolov5_master/data/mydata.yaml path: D:/boneage_dataset # 数据集根目录改成你的实际路径 train: images/train # 相对 path 的训练图片目录 val: images/val # 相对 path 的验证图片目录 nc: 9 # 类别数必须和 classes 长度一致 names: # 类别名顺序和 voc_to_yolo.py 保持一致 0: class_1 1: class_2 2: class_3 3: class_4 4: class_5 5: class_6 6: class_7 7: class_8 8: class_9逻辑说明path是根train和val是相对它的子路径这样换机器时只改一处。参数说明nc必须等于 9names的键从 0 开始连续缺号会导致加载时报KeyError。改完这三个文件预处理链路才算真正打通可以进入训练或直接加载已有权重推理。提示预处理三步的顺序不能颠倒先 images_tag 再 voc_to_yolo 最后改 yaml跳步会导致标签目录为空或格式错乱。4. PyQt5 界面与推理打通从加载权重到出结果4.1 GUI 主程序的启动与权重加载PyQt5 界面的价值在于把命令行推理包装成可点击的操作。启动入口通常是根目录下的主程序运行后弹出窗口包含「选择图片」「开始检测」「结果显示」几个区域。启动前要确认权重路径正确很多界面打不开不是 PyQt5 的问题而是权重文件路径写死成了作者的机器路径。# GUI 主程序里权重加载的关键片段示意 import torch from PyQt5.QtWidgets import QApplication, QMainWindow MODEL_PATH r./weights/best.pt # 改成你实际的权重路径 class MainWindow(QMainWindow): def __init__(self): super().__init__() # 加载模型map_location 保证 CPU 环境也能加载 GPU 训练的权重 self.model torch.load(MODEL_PATH, map_locationcpu) self.model.eval() # 推理模式关闭 dropout 和 BN 更新逻辑说明torch.load的map_locationcpu是跨设备加载的关键没有它GPU 上训练的权重在纯 CPU 机器上会直接报错。参数说明MODEL_PATH指向.pt权重model.eval()必须调用否则推理结果会因 dropout 随机性而不稳定。如果界面启动报ModuleNotFoundError多半是 PyQt5 没装进当前环境回到 2.2 节确认虚拟环境是否激活。4.2 图片输入到推理输出的完整流程界面选图后程序内部走的是「读图 → 预处理 → 前向推理 → 后处理 → 显示」这条链。骨龄识别常见两种输出一种是回归出具体骨龄数值一种是分类到骨龄区间。这套源码的模型文件决定了它属于哪种使用说明里一般会写。import cv2 import numpy as np def predict(image_path, model, img_size640): img cv2.imread(image_path) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 统一色彩通道 img cv2.resize(img, (img_size, img_size)) # 对齐训练输入尺寸 tensor torch.from_numpy(img).float() / 255.0 # 归一化到 0~1 tensor tensor.permute(2, 0, 1).unsqueeze(0) # HWC - NCHW with torch.no_grad(): # 推理不建计算图省显存 output model(tensor) return output逻辑说明预处理必须和训练时一致否则推理结果会系统性偏移。参数说明img_size要和训练配置里的输入尺寸一致常见是 640/255.0是归一化如果训练时用的是 ImageNet 均值方差标准化这里也要换成对应写法。torch.no_grad()能显著降低显存占用推理场景必加。输出拿到后按模型定义做后处理回归模型直接取值检测模型还要做 NMS 去重。4.3 界面卡顿与线程处理PyQt5 主线程负责界面刷新如果把推理直接放在主线程图片一大界面就会假死用户以为程序崩了。常见做法是把推理放到QThread子线程通过信号槽把结果传回界面。from PyQt5.QtCore import QThread, pyqtSignal class InferThread(QThread): finished pyqtSignal(object) # 推理完成信号携带结果 def __init__(self, model, image_path): super().__init__() self.model model self.image_path image_path def run(self): result predict(self.image_path, self.model) self.finished.emit(result) # 子线程算完发信号回主线程更新 UI逻辑说明把耗时推理移出主线程界面保持响应。参数说明pyqtSignal(object)用于传递任意 Python 对象结果类型复杂时用object最省事。信号槽是跨线程安全的不要在子线程里直接操作界面控件否则会触发 Qt 的线程告警甚至崩溃。这一步是很多 Demo 从「能跑」到「好用」的分水岭。5. 避坑与排查这套源码最容易翻车的五个地方5.1 现象运行主程序报 No module named PyQt5原因PyQt5 装到了系统 Python而运行用的是虚拟环境或者反过来。热词里「labelme 无法安装 pyqt5」「pyqt5安装」高频出现本质都是环境错位。 解决先which pythonWindows 用where python确认当前解释器路径再pip list | grep PyQt5确认装没装。没装就pip install PyQt5装错环境就激活正确环境重装。5.2 现象voc_to_yolo 转换后标签第一列出现 9 或更大原因classes列表长度和数据集真实类别数不一致或者顺序和标注文件对不上。 解决回到数据集链接核对类别定义把classes改成正好 9 个且顺序一致。转换后抽查标签文件第一列必须在 0 到 8 之间。5.3 现象训练或推理报 CUDA out of memory原因输入尺寸过大、batch 过大或 GPU 显存本身偏小。 解决先把img_size从 640 降到 416 或 320 试跑再把 batch 降到 1。纯推理场景加torch.no_grad()能省下可观的显存。实在不行切 CPU 版慢但稳。5.4 现象界面能打开选图后没反应或直接闪退原因推理跑在主线程导致界面假死或图片路径含中文、空格导致cv2.imread返回 None。 解决按 4.3 节把推理放进 QThread图片路径尽量用纯英文无空格目录cv2.imread对中文路径支持差必要时用np.fromfile加cv2.imdecode绕过。5.5 现象mydata.yaml 改完仍报找不到数据集原因path用了相对路径但工作目录不对或train/val子目录实际不存在。 解决path先用绝对路径确认images/train、images/val真实存在。YAML 里路径分隔符统一用正斜杠/Windows 反斜杠在 YAML 里容易被解析成转义。注意以上五条里环境错位和类别数错位占了翻车案例的大半先把这两条排掉再查别的。6. 进阶技巧把推理封装成可复用接口并做结果校验跑通界面只是第一步真正让这套源码产生价值的是把它变成可复用、可校验的推理接口。我一般会在 GUI 之外单独抽一个inference.py把模型加载和预测逻辑独立出来这样既能被界面调用也能被批量脚本调用方便做结果对比。# inference.py 可复用推理接口 import torch import cv2 import numpy as np class BoneAgePredictor: def __init__(self, model_path, img_size640, devicecpu): self.device torch.device(device) self.img_size img_size # 加载权重并切到对应设备 self.model torch.load(model_path, map_locationself.device) self.model.eval() self.model.to(self.device) def preprocess(self, image_path): img cv2.imread(image_path) if img is None: raise ValueError(f图片读取失败检查路径: {image_path}) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img cv2.resize(img, (self.img_size, self.img_size)) tensor torch.from_numpy(img).float() / 255.0 return tensor.permute(2, 0, 1).unsqueeze(0).to(self.device) def predict(self, image_path): tensor self.preprocess(image_path) with torch.no_grad(): output self.model(tensor) return output.cpu().numpy()逻辑说明把加载、预处理、推理拆成三个方法职责清晰换模型或换设备只改初始化参数。参数说明device支持cpu和cuda有显卡就传cudaimg_size必须和训练一致preprocess里对img is None做了显式判断把「路径错」和「模型错」两类问题分开排查时能少走弯路。封装完接口下一步是结果校验。骨龄识别没有绝对真值但可以做一致性检查同一张图连续推理三次结果应该完全一致因为eval模式关闭了随机性把图片做轻微平移或缩放结果不应剧烈跳变如果跳变很大说明模型对输入过于敏感预处理或归一化可能和训练不一致。我还会拿几张训练集里的图跑一遍看输出是否落在合理区间如果全部输出同一个值多半是权重没加载成功或类别映射错了。校验项合格表现异常信号排查方向重复推理一致性三次结果完全相同每次结果不同是否漏了 model.eval()轻微扰动稳定性结果小幅波动结果剧烈跳变预处理/归一化是否对齐训练训练集回测输出落在合理区间全部同值或越界权重加载、类别映射路径容错正常图能读入报图片读取失败中文路径、空格、格式这套校验习惯是我踩过坑之后养成的。早些年我直接拿界面跑一张图就交付结果换台机器权重没加载成功界面照样弹出结果只是输出全是默认值差点闹笑话。从那以后我每次接这类医学影像推理工程都强制先跑一遍一致性校验再谈效果。希望帮到你。本文还有配套的精品资源点击获取