本文主要是介绍利用 pyqt5 实现给 深度学习图像识别算法 SSD300 搭建界面，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
最近接到老板安排的项目，将之前自己训练好的用于识别一个水下目标的SSD300算法增加一个简单的界面。
项目的主要目的是为了利用SSD300实现单目视觉定位，整个算法的基本流程是，采集摄像头的图片，传递给训练好的SSD300网络进行识别，处理结果获得目标物在图片中的位置坐标（两个坐标点），之后进行基于先验值的深度估计，最后3D重建。实现单目视觉定位。
之前的算法，没有界面，就一个opencv下的图像窗口显示，老板嫌弃它太磕碜，非要我加一个简单的界面（毛病多！）。
Python编界面有好几个库，但由于实验室没有人用过Python做界面，整个过程全是自己一个人瞎捣鼓，研究了好久才确定用pyqt做界面会很快，同时QtDesigner也可以和c++的通用，搭建起来快速方便。
最终定位精度在2cm以内
先来看一下最终的效果
界面看起来比较粗糙，但整体结果相比之前那种还可以吧！
这里具体的实现过程以后有时间在补充，主要是要记录一个重点！！！！！！！
- 不要把SSD网络塞到Qt的线程中去，肯定行不通的，我觉得这种神经网络的计算肯定是调用了大量的线程对计算速度进行优化处理，再把这个塞进线程里明显不合适。
我的解决办法是：窗口初始化中建立SSD模型并进行相应的初始化，直接将预测处理的函数加到槽函数中，建立条件死循环重复刷新图片及预测结果。 - SSD网络运行时耗费大量计算资源，在计算速度慢的机器上时经常“窗口无响应”
我的解决办法是：在槽函数中不断调用QApplication.processEvents()（用于窗口的刷新响应），尤其是非常耗时的预测阶段，一定要调用。
好！时间太晚了，有时间再详细记录一下整个项目的搭建过程。
注：好多人都联系我想要源代码，本着 “互惠互助，代码自由” 的信念，我本是无偿分享的，但是现在可能要让大家失望了，由于种种原因，源代码现在暂时不能给大家了。
但我会在近期分享这个项目的主要实现方法，有一定PyQt基础的应该可以自己复现出来，对于小白我只能抱歉了。
获取渠道：我的CSDN或我的公众号（见我的其他文章里）都会更新
详细教程更新第一节: https://blog.csdn.net/ttz_csdn/article/details/102864373
这篇关于利用 pyqt5 实现给 深度学习图像识别算法 SSD300 搭建界面的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
