基于Python实现简单的人脸识别系统

前言

最近又多了不少朋友关注，先在这里谢谢大家。关注我的朋友大多数都是大学生，而且我简单看了一下，低年级的大学生居多，大多数都是为了完成课程设计，作为一个过来人，还是希望大家平时能多抽出点时间学习一下，这种临时抱佛脚的策略要少用嗷。今天我们来python实现一个人脸识别系统，主要是借助了dlib这个库，相当于我们直接调用现成的库来进行人脸识别，就省去了之前教程中的数据收集和模型训练的步骤了。

B站视频：用300行代码实现人脸识别系统_哔哩哔哩_bilibili

码云地址：face_dlib_py37_42: 用300行代码开发一个人脸识别系统-42 (gitee.com)

基本原理

人脸识别和目标检测这些还不太一样，比如大家传统的训练一个目标检测模型，你只有对这个目标训练了之后，你的模型才能找到这样的目标，比如你的目标检测模型如果是检测植物的，那显然就不能检测动物。但是人脸识别就不一样，以你的手机为例，你发现你只录入了一次你的人脸信息，不需要训练，他就能准确的识别你，这里识别的原理是通过人脸识别的模型提取你脸部的特征向量，然后将实时检测到的你的人脸同数据库中保存的人脸进行比对，如果相似度超过一定的阈值之后，就认为比对成功。不过我这里说的只是简化版本的人脸识别，现在手机和门禁这些要复杂和安全的多，也不是简单平面上的人脸识别。

总结下来可以分为下面的步骤：

1.上传人脸到数据库

2.人脸检测

3.数据库比对并返回结果

这里我做了一个简答的示意图，可以帮助大家简单理解一下。

代码实现

废话不多说，这里就是我们的代码实现，代码我已经上传到码云，大家直接下载就行，地址就在博客开头。

不会安装python环境的兄弟请看这里：如何在pycharm中配置anaconda的虚拟环境

创建虚拟环境

创建虚拟环境前请大家先下载博客开头的码云源码到本地。

本次我们需要使用到python3.7的虚拟环境，命令如下：

conda create -n face python==3.7.3
conda activate face

安装必要的库

pip install -r requirements.txt

愉快地开始你的人脸识别吧！

执行下面的主文件即可

python UI.py

或者在pycharm中按照下面的方式直接运行即可

首先将你需要识别的人脸上传到数据库中

通过第二个视频检测功能识别实时的人脸

详细的代码如下：

# -*- coding: utf-8 -*-
"""
-------------------------------------------------
Project Name: yolov5-jungong
File Name: window.py.py
Author: chenming
Create Date: 2021/11/8
Description：图形化界面，可以检测摄像头、视频和图片文件
-------------------------------------------------
"""
# 应该在界面启动的时候就将模型加载出来，设置tmp的目录来放中间的处理结果
import shutil
import PyQt5.QtCore
from PyQt5.QtGui import *
from PyQt5.QtCore import *
from PyQt5.QtWidgets import *
import threading
import argparse
import os
import sys
from pathlib import Path
import cv2
import torch
import torch.backends.cudnn as cudnn
import os.path as osp
FILE = Path(__file__).resolve()
ROOT = FILE.parents[0]  # YOLOv5 root directory
if str(ROOT) not in sys.path:
   sys.path.append(str(ROOT))  # add ROOT to PATH
ROOT = Path(os.path.relpath(ROOT, Path.cwd()))  # relative

from models.common import DetectMultiBackend
from utils.datasets import IMG_FORMATS, VID_FORMATS, LoadImages, LoadStreams
from utils.general import (LOGGER, check_file, check_img_size, check_imshow, check_requirements, colorstr,
                          increment_path, non_max_suppression, print_args, scale_coords, strip_optimizer, xyxy2xywh)
from utils.plots import Annotator, colors, save_one_box
from utils.torch_utils import select_device, time_sync

# 添加一个关于界面
# 窗口主类
class MainWindow(QTabWidget):
   # 基本配置不动，然后只动第三个界面
   def __init__(self):
       # 初始化界面
       super().__init__()
       self.setWindowTitle('Target detection system')
       self.resize(1200, 800)
       self.setWindowIcon(QIcon("images/UI/lufei.png"))
       # 图片读取进程
       self.output_size = 480
       self.img2predict = ""
       self.device = 'cpu'
       # # 初始化视频读取线程
       self.vid_source = '0'  # 初始设置为摄像头
       self.stopEvent = threading.Event()
       self.webcam = True
       self.stopEvent.clear()
       self.model = self.model_load(weights="runs/train/exp_yolov5s/weights/best.pt",
                                    device="cpu")  # todo 指明模型加载的位置的设备
       self.initUI()
       self.reset_vid()

'''
   ***模型初始化***
   '''
   @torch.no_grad()
   def model_load(self, weights="",  # model.pt path(s)
                  device='',  # cuda device, i.e. 0 or 0,1,2,3 or cpu
                  half=False,  # use FP16 half-precision inference
                  dnn=False,  # use OpenCV DNN for ONNX inference
                  ):
       device = select_device(device)
       half &= device.type != 'cpu'  # half precision only supported on CUDA
       device = select_device(device)
       model = DetectMultiBackend(weights, device=device, dnn=dnn)
       stride, names, pt, jit, onnx = model.stride, model.names, model.pt, model.jit, model.onnx
       # Half
       half &= pt and device.type != 'cpu'  # half precision only supported by PyTorch on CUDA
       if pt:
           model.model.half() if half else model.model.float()
       print("模型加载完成!")
       return model

'''
   ***界面初始化***
   '''
   def initUI(self):
       # 图片检测子界面
       font_title = QFont('楷体', 16)
       font_main = QFont('楷体', 14)
       # 图片识别界面, 两个按钮，上传图片和显示结果
       img_detection_widget = QWidget()
       img_detection_layout = QVBoxLayout()
       img_detection_title = QLabel("图片识别功能")
       img_detection_title.setFont(font_title)
       mid_img_widget = QWidget()
       mid_img_layout = QHBoxLayout()
       self.left_img = QLabel()
       self.right_img = QLabel()
       self.left_img.setPixmap(QPixmap("images/UI/up.jpeg"))
       self.right_img.setPixmap(QPixmap("images/UI/right.jpeg"))
       self.left_img.setAlignment(Qt.AlignCenter)
       self.right_img.setAlignment(Qt.AlignCenter)
       mid_img_layout.addWidget(self.left_img)
       mid_img_layout.addStretch(0)
       mid_img_layout.addWidget(self.right_img)
       mid_img_widget.setLayout(mid_img_layout)
       up_img_button = QPushButton("上传图片")
       det_img_button = QPushButton("开始检测")
       up_img_button.clicked.connect(self.upload_img)
       det_img_button.clicked.connect(self.detect_img)
       up_img_button.setFont(font_main)
       det_img_button.setFont(font_main)
       up_img_button.setStyleSheet("QPushButton{color:white}"
                                   "QPushButton:hover{background-color: rgb(2,110,180);}"
                                   "QPushButton{background-color:rgb(48,124,208)}"
                                   "QPushButton{border:2px}"
                                   "QPushButton{border-radius:5px}"
                                   "QPushButton{padding:5px 5px}"
                                   "QPushButton{margin:5px 5px}")
       det_img_button.setStyleSheet("QPushButton{color:white}"
                                    "QPushButton:hover{background-color: rgb(2,110,180);}"
                                    "QPushButton{background-color:rgb(48,124,208)}"
                                    "QPushButton{border:2px}"
                                    "QPushButton{border-radius:5px}"
                                    "QPushButton{padding:5px 5px}"
                                    "QPushButton{margin:5px 5px}")
       img_detection_layout.addWidget(img_detection_title, alignment=Qt.AlignCenter)
       img_detection_layout.addWidget(mid_img_widget, alignment=Qt.AlignCenter)
       img_detection_layout.addWidget(up_img_button)
       img_detection_layout.addWidget(det_img_button)
       img_detection_widget.setLayout(img_detection_layout)

# todo 视频识别界面
       # 视频识别界面的逻辑比较简单，基本就从上到下的逻辑
       vid_detection_widget = QWidget()
       vid_detection_layout = QVBoxLayout()
       vid_title = QLabel("视频检测功能")
       vid_title.setFont(font_title)
       self.vid_img = QLabel()
       self.vid_img.setPixmap(QPixmap("images/UI/up.jpeg"))
       vid_title.setAlignment(Qt.AlignCenter)
       self.vid_img.setAlignment(Qt.AlignCenter)
       self.webcam_detection_btn = QPushButton("摄像头实时监测")
       self.mp4_detection_btn = QPushButton("视频文件检测")
       self.vid_stop_btn = QPushButton("停止检测")
       self.webcam_detection_btn.setFont(font_main)
       self.mp4_detection_btn.setFont(font_main)
       self.vid_stop_btn.setFont(font_main)
       self.webcam_detection_btn.setStyleSheet("QPushButton{color:white}"
                                               "QPushButton:hover{background-color: rgb(2,110,180);}"
                                               "QPushButton{background-color:rgb(48,124,208)}"
                                               "QPushButton{border:2px}"
                                               "QPushButton{border-radius:5px}"
                                               "QPushButton{padding:5px 5px}"
                                               "QPushButton{margin:5px 5px}")
       self.mp4_detection_btn.setStyleSheet("QPushButton{color:white}"
                                            "QPushButton:hover{background-color: rgb(2,110,180);}"
                                            "QPushButton{background-color:rgb(48,124,208)}"
                                            "QPushButton{border:2px}"
                                            "QPushButton{border-radius:5px}"
                                            "QPushButton{padding:5px 5px}"
                                            "QPushButton{margin:5px 5px}")
       self.vid_stop_btn.setStyleSheet("QPushButton{color:white}"
                                       "QPushButton:hover{background-color: rgb(2,110,180);}"
                                       "QPushButton{background-color:rgb(48,124,208)}"
                                       "QPushButton{border:2px}"
                                       "QPushButton{border-radius:5px}"
                                       "QPushButton{padding:5px 5px}"
                                       "QPushButton{margin:5px 5px}")
       self.webcam_detection_btn.clicked.connect(self.open_cam)
       self.mp4_detection_btn.clicked.connect(self.open_mp4)
       self.vid_stop_btn.clicked.connect(self.close_vid)
       # 添加组件到布局上
       vid_detection_layout.addWidget(vid_title)
       vid_detection_layout.addWidget(self.vid_img)
       vid_detection_layout.addWidget(self.webcam_detection_btn)
       vid_detection_layout.addWidget(self.mp4_detection_btn)
       vid_detection_layout.addWidget(self.vid_stop_btn)
       vid_detection_widget.setLayout(vid_detection_layout)

# todo 关于界面
       about_widget = QWidget()
       about_layout = QVBoxLayout()
       about_title = QLabel('欢迎使用目标检测系统\n\n 提供付费指导：有需要的好兄弟加下面的QQ即可')  # todo 修改欢迎词语
       about_title.setFont(QFont('楷体', 18))
       about_title.setAlignment(Qt.AlignCenter)
       about_img = QLabel()
       about_img.setPixmap(QPixmap('images/UI/qq.png'))
       about_img.setAlignment(Qt.AlignCenter)

# label4.setText("<a href='https://oi.wiki/wiki/学习率的调整'>如何调整学习率</a>")
       label_super = QLabel()  # todo 更换作者信息
       label_super.setText("<a href='https://blog.csdn.net/ECHOSON'>或者你可以在这里找到我-->肆十二</a>")
       label_super.setFont(QFont('楷体', 16))
       label_super.setOpenExternalLinks(True)
       # label_super.setOpenExternalLinks(True)
       label_super.setAlignment(Qt.AlignRight)
       about_layout.addWidget(about_title)
       about_layout.addStretch()
       about_layout.addWidget(about_img)
       about_layout.addStretch()
       about_layout.addWidget(label_super)
       about_widget.setLayout(about_layout)

self.left_img.setAlignment(Qt.AlignCenter)
       self.addTab(img_detection_widget, '图片检测')
       self.addTab(vid_detection_widget, '视频检测')
       self.addTab(about_widget, '联系我')
       self.setTabIcon(0, QIcon('images/UI/lufei.png'))
       self.setTabIcon(1, QIcon('images/UI/lufei.png'))
       self.setTabIcon(2, QIcon('images/UI/lufei.png'))

'''
   ***上传图片***
   '''
   def upload_img(self):
       # 选择录像文件进行读取
       fileName, fileType = QFileDialog.getOpenFileName(self, 'Choose file', '', '*.jpg *.png *.tif *.jpeg')
       if fileName:
           suffix = fileName.split(".")[-1]
           save_path = osp.join("images/tmp", "tmp_upload." + suffix)
           shutil.copy(fileName, save_path)
           # 应该调整一下图片的大小，然后统一防在一起
           im0 = cv2.imread(save_path)
           resize_scale = self.output_size / im0.shape[0]
           im0 = cv2.resize(im0, (0, 0), fx=resize_scale, fy=resize_scale)
           cv2.imwrite("images/tmp/upload_show_result.jpg", im0)
           # self.right_img.setPixmap(QPixmap("images/tmp/single_result.jpg"))
           self.img2predict = fileName
           self.left_img.setPixmap(QPixmap("images/tmp/upload_show_result.jpg"))
           # todo 上传图片之后右侧的图片重置，
           self.right_img.setPixmap(QPixmap("images/UI/right.jpeg"))

'''
   ***检测图片***
   '''
   def detect_img(self):
       model = self.model
       output_size = self.output_size
       source = self.img2predict  # file/dir/URL/glob, 0 for webcam
       imgsz = 640  # inference size (pixels)
       conf_thres = 0.25  # confidence threshold
       iou_thres = 0.45  # NMS IOU threshold
       max_det = 1000  # maximum detections per image
       device = self.device  # cuda device, i.e. 0 or 0,1,2,3 or cpu
       view_img = False  # show results
       save_txt = False  # save results to *.txt
       save_conf = False  # save confidences in --save-txt labels
       save_crop = False  # save cropped prediction boxes
       nosave = False  # do not save images/videos
       classes = None  # filter by class: --class 0, or --class 0 2 3
       agnostic_nms = False  # class-agnostic NMS
       augment = False  # ugmented inference
       visualize = False  # visualize features
       line_thickness = 3  # bounding box thickness (pixels)
       hide_labels = False  # hide labels
       hide_conf = False  # hide confidences
       half = False  # use FP16 half-precision inference
       dnn = False  # use OpenCV DNN for ONNX inference
       print(source)
       if source == "":
           QMessageBox.warning(self, "请上传", "请先上传图片再进行检测")
       else:
           source = str(source)
           device = select_device(self.device)
           webcam = False
           stride, names, pt, jit, onnx = model.stride, model.names, model.pt, model.jit, model.onnx
           imgsz = check_img_size(imgsz, s=stride)  # check image size
           save_img = not nosave and not source.endswith('.txt')  # save inference images
           # Dataloader
           if webcam:
               view_img = check_imshow()
               cudnn.benchmark = True  # set True to speed up constant image size inference
               dataset = LoadStreams(source, img_size=imgsz, stride=stride, auto=pt and not jit)
               bs = len(dataset)  # batch_size
           else:
               dataset = LoadImages(source, img_size=imgsz, stride=stride, auto=pt and not jit)
               bs = 1  # batch_size
           vid_path, vid_writer = [None] * bs, [None] * bs
           # Run inference
           if pt and device.type != 'cpu':
               model(torch.zeros(1, 3, *imgsz).to(device).type_as(next(model.model.parameters())))  # warmup
           dt, seen = [0.0, 0.0, 0.0], 0
           for path, im, im0s, vid_cap, s in dataset:
               t1 = time_sync()
               im = torch.from_numpy(im).to(device)
               im = im.half() if half else im.float()  # uint8 to fp16/32
               im /= 255  # 0 - 255 to 0.0 - 1.0
               if len(im.shape) == 3:
                   im = im[None]  # expand for batch dim
               t2 = time_sync()
               dt[0] += t2 - t1
               # Inference
               # visualize = increment_path(save_dir / Path(path).stem, mkdir=True) if visualize else False
               pred = model(im, augment=augment, visualize=visualize)
               t3 = time_sync()
               dt[1] += t3 - t2
               # NMS
               pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)
               dt[2] += time_sync() - t3
               # Second-stage classifier (optional)
               # pred = utils.general.apply_classifier(pred, classifier_model, im, im0s)
               # Process predictions
               for i, det in enumerate(pred):  # per image
                   seen += 1
                   if webcam:  # batch_size >= 1
                       p, im0, frame = path[i], im0s[i].copy(), dataset.count
                       s += f'{i}: '
                   else:
                       p, im0, frame = path, im0s.copy(), getattr(dataset, 'frame', 0)
                   p = Path(p)  # to Path
                   s += '％gx％g ' ％ im.shape[2:]  # print string
                   gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]  # normalization gain whwh
                   imc = im0.copy() if save_crop else im0  # for save_crop
                   annotator = Annotator(im0, line_width=line_thickness, example=str(names))
                   if len(det):
                       # Rescale boxes from img_size to im0 size
                       det[:, :4] = scale_coords(im.shape[2:], det[:, :4], im0.shape).round()

# Print results
                       for c in det[:, -1].unique():
                           n = (det[:, -1] == c).sum()  # detections per class
                           s += f"{n} {names[int(c)]}{'s' * (n > 1)}, "  # add to string

# Write results
                       for *xyxy, conf, cls in reversed(det):
                           if save_txt:  # Write to file
                               xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(
                                   -1).tolist()  # normalized xywh
                               line = (cls, *xywh, conf) if save_conf else (cls, *xywh)  # label format
                               # with open(txt_path + '.txt', 'a') as f:
                               #     f.write(('％g ' * len(line)).rstrip() ％ line + '\n')

if save_img or save_crop or view_img:  # Add bbox to image
                               c = int(cls)  # integer class
                               label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
                               annotator.box_label(xyxy, label, color=colors(c, True))
                               # if save_crop:
                               #     save_one_box(xyxy, imc, file=save_dir / 'crops' / names[c] / f'{p.stem}.jpg',
                               #                  BGR=True)
                   # Print time (inference-only)
                   LOGGER.info(f'{s}Done. ({t3 - t2:.3f}s)')
                   # Stream results
                   im0 = annotator.result()
                   # if view_img:
                   #     cv2.imshow(str(p), im0)
                   #     cv2.waitKey(1)  # 1 millisecond
                   # Save results (image with detections)
                   resize_scale = output_size / im0.shape[0]
                   im0 = cv2.resize(im0, (0, 0), fx=resize_scale, fy=resize_scale)
                   cv2.imwrite("images/tmp/single_result.jpg", im0)
                   # 目前的情况来看，应该只是ubuntu下会出问题，但是在windows下是完整的，所以继续
                   self.right_img.setPixmap(QPixmap("images/tmp/single_result.jpg"))

# 视频检测，逻辑基本一致，有两个功能，分别是检测摄像头的功能和检测视频文件的功能，先做检测摄像头的功能。

'''
   ### 界面关闭事件 ###
   '''
   def closeEvent(self, event):
       reply = QMessageBox.question(self,
                                    'quit',
                                    "Are you sure?",
                                    QMessageBox.Yes | QMessageBox.No,
                                    QMessageBox.No)
       if reply == QMessageBox.Yes:
           self.close()
           event.accept()
       else:
           event.ignore()

'''
   ### 视频关闭事件 ###
   '''

def open_cam(self):
       self.webcam_detection_btn.setEnabled(False)
       self.mp4_detection_btn.setEnabled(False)
       self.vid_stop_btn.setEnabled(True)
       self.vid_source = '0'
       self.webcam = True
       th = threading.Thread(target=self.detect_vid)
       th.start()

'''
   ### 开启视频文件检测事件 ###
   '''

def open_mp4(self):
       fileName, fileType = QFileDialog.getOpenFileName(self, 'Choose file', '', '*.mp4 *.avi')
       if fileName:
           self.webcam_detection_btn.setEnabled(False)
           self.mp4_detection_btn.setEnabled(False)
           # self.vid_stop_btn.setEnabled(True)
           self.vid_source = fileName
           self.webcam = False
           th = threading.Thread(target=self.detect_vid)
           th.start()

'''
   ### 视频开启事件 ###
   '''

# 视频和摄像头的主函数是一样的，不过是传入的source不同罢了
   def detect_vid(self):
       # pass
       model = self.model
       output_size = self.output_size
       # source = self.img2predict  # file/dir/URL/glob, 0 for webcam
       imgsz = 640  # inference size (pixels)
       conf_thres = 0.25  # confidence threshold
       iou_thres = 0.45  # NMS IOU threshold
       max_det = 1000  # maximum detections per image
       # device = self.device  # cuda device, i.e. 0 or 0,1,2,3 or cpu
       view_img = False  # show results
       save_txt = False  # save results to *.txt
       save_conf = False  # save confidences in --save-txt labels
       save_crop = False  # save cropped prediction boxes
       nosave = False  # do not save images/videos
       classes = None  # filter by class: --class 0, or --class 0 2 3
       agnostic_nms = False  # class-agnostic NMS
       augment = False  # ugmented inference
       visualize = False  # visualize features
       line_thickness = 3  # bounding box thickness (pixels)
       hide_labels = False  # hide labels
       hide_conf = False  # hide confidences
       half = False  # use FP16 half-precision inference
       dnn = False  # use OpenCV DNN for ONNX inference
       source = str(self.vid_source)
       webcam = self.webcam
       device = select_device(self.device)
       stride, names, pt, jit, onnx = model.stride, model.names, model.pt, model.jit, model.onnx
       imgsz = check_img_size(imgsz, s=stride)  # check image size
       save_img = not nosave and not source.endswith('.txt')  # save inference images
       # Dataloader
       if webcam:
           view_img = check_imshow()
           cudnn.benchmark = True  # set True to speed up constant image size inference
           dataset = LoadStreams(source, img_size=imgsz, stride=stride, auto=pt and not jit)
           bs = len(dataset)  # batch_size
       else:
           dataset = LoadImages(source, img_size=imgsz, stride=stride, auto=pt and not jit)
           bs = 1  # batch_size
       vid_path, vid_writer = [None] * bs, [None] * bs
       # Run inference
       if pt and device.type != 'cpu':
           model(torch.zeros(1, 3, *imgsz).to(device).type_as(next(model.model.parameters())))  # warmup
       dt, seen = [0.0, 0.0, 0.0], 0
       for path, im, im0s, vid_cap, s in dataset:
           t1 = time_sync()
           im = torch.from_numpy(im).to(device)
           im = im.half() if half else im.float()  # uint8 to fp16/32
           im /= 255  # 0 - 255 to 0.0 - 1.0
           if len(im.shape) == 3:
               im = im[None]  # expand for batch dim
           t2 = time_sync()
           dt[0] += t2 - t1
           # Inference
           # visualize = increment_path(save_dir / Path(path).stem, mkdir=True) if visualize else False
           pred = model(im, augment=augment, visualize=visualize)
           t3 = time_sync()
           dt[1] += t3 - t2
           # NMS
           pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)
           dt[2] += time_sync() - t3
           # Second-stage classifier (optional)
           # pred = utils.general.apply_classifier(pred, classifier_model, im, im0s)
           # Process predictions
           for i, det in enumerate(pred):  # per image
               seen += 1
               if webcam:  # batch_size >= 1
                   p, im0, frame = path[i], im0s[i].copy(), dataset.count
                   s += f'{i}: '
               else:
                   p, im0, frame = path, im0s.copy(), getattr(dataset, 'frame', 0)
               p = Path(p)  # to Path
               # save_path = str(save_dir / p.name)  # im.jpg
               # txt_path = str(save_dir / 'labels' / p.stem) + (
               #     '' if dataset.mode == 'image' else f'_{frame}')  # im.txt
               s += '％gx％g ' ％ im.shape[2:]  # print string
               gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]  # normalization gain whwh
               imc = im0.copy() if save_crop else im0  # for save_crop
               annotator = Annotator(im0, line_width=line_thickness, example=str(names))
               if len(det):
                   # Rescale boxes from img_size to im0 size
                   det[:, :4] = scale_coords(im.shape[2:], det[:, :4], im0.shape).round()

# Print results
                   for c in det[:, -1].unique():
                       n = (det[:, -1] == c).sum()  # detections per class
                       s += f"{n} {names[int(c)]}{'s' * (n > 1)}, "  # add to string

# Write results
                   for *xyxy, conf, cls in reversed(det):
                       if save_txt:  # Write to file
                           xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(
                               -1).tolist()  # normalized xywh
                           line = (cls, *xywh, conf) if save_conf else (cls, *xywh)  # label format
                           # with open(txt_path + '.txt', 'a') as f:
                           #     f.write(('％g ' * len(line)).rstrip() ％ line + '\n')

if save_img or save_crop or view_img:  # Add bbox to image
                           c = int(cls)  # integer class
                           label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
                           annotator.box_label(xyxy, label, color=colors(c, True))
                           # if save_crop:
                           #     save_one_box(xyxy, imc, file=save_dir / 'crops' / names[c] / f'{p.stem}.jpg',
                           #                  BGR=True)
               # Print time (inference-only)
               LOGGER.info(f'{s}Done. ({t3 - t2:.3f}s)')
               # Stream results
               # Save results (image with detections)
               im0 = annotator.result()
               frame = im0
               resize_scale = output_size / frame.shape[0]
               frame_resized = cv2.resize(frame, (0, 0), fx=resize_scale, fy=resize_scale)
               cv2.imwrite("images/tmp/single_result_vid.jpg", frame_resized)
               self.vid_img.setPixmap(QPixmap("images/tmp/single_result_vid.jpg"))
               # self.vid_img
               # if view_img:
               # cv2.imshow(str(p), im0)
               # self.vid_img.setPixmap(QPixmap("images/tmp/single_result_vid.jpg"))
               # cv2.waitKey(1)  # 1 millisecond
           if cv2.waitKey(25) & self.stopEvent.is_set() == True:
               self.stopEvent.clear()
               self.webcam_detection_btn.setEnabled(True)
               self.mp4_detection_btn.setEnabled(True)
               self.reset_vid()
               break
       # self.reset_vid()

'''
   ### 界面重置事件 ###
   '''

def reset_vid(self):
       self.webcam_detection_btn.setEnabled(True)
       self.mp4_detection_btn.setEnabled(True)
       self.vid_img.setPixmap(QPixmap("images/UI/up.jpeg"))
       self.vid_source = '0'
       self.webcam = True

'''
   ### 视频重置事件 ###
   '''

def close_vid(self):
       self.stopEvent.set()
       self.reset_vid()

if __name__ == "__main__":
   app = QApplication(sys.argv)
   mainWindow = MainWindow()
   mainWindow.show()
   sys.exit(app.exec_())

来源：https://blog.csdn.net/ECHOSON/article/details/122404926