# YOLOSHOW **Repository Path**: luopengtao/YOLOSHOW ## Basic Information - **Project Name**: YOLOSHOW - **Description**: YOLOSHOW - YOLOv11 / YOLOv10 / YOLOv9 / YOLOv8 / YOLOv7 / YOLOv5 / RTDETR / SAM / MobileSAM / FastSAM YOLO GUI 基于 Pyside6 的图形化界面 - **Primary Language**: Python - **License**: AGPL-3.0 - **Default Branch**: master - **Homepage**: https://swimmingliu.cn/posts/diary/yoloshow - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 84 - **Created**: 2025-05-15 - **Last Updated**: 2025-05-15 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # YOLOSHOW - YOLOv5 / YOLOv7 / YOLOv8 / YOLOv9 / YOLOv10 / YOLOv11 / RTDETR / SAM / MobileSAM / FastSAM 基于 Pyside6 的图形化界面 ## 介绍 ***YOLOSHOW*** 是一款集合了 `YOLOv5` `YOLOv7` `YOLOv8` `YOLOv9` `YOLOv10` `YOLOv11` `RT-DETR` `SAM` `MobileSAM` `FastSAM` 的图形化界面程序

English   |   简体中文

![YOLOSHOW-Screen](assest/YOLOSHOW-screen.png) ## 演示视频 `YOLOSHOW v1.x` : [YOLOSHOW-YOLOv9/YOLOv8/YOLOv7/YOLOv5/RTDETR GUI](https://www.bilibili.com/video/BV1BC411x7fW) `YOLOSHOW v2.x` : [YOLOSHOWv2.0-YOLOv9/YOLOv8/YOLOv7/YOLOv5/RTDETR GUI](https://www.bilibili.com/video/BV1ZD421E7m3) ## 待做清单 - [x] 加入 `YOLOv9` `YOLOv10` `RT-DETR` `YOLOv11` `SAM` `MobileSAM` `FastSAM`算法 - [x] 支持实例分割 （ `YOLOv5` `YOLOv8` `YOLOv11` `SAM` `MobileSAM` `FastSAM`） - [x] 支持姿态估计 （`YOLOv8` `YOLOv11`） - [x] 支持旋转框 (`YOLOv8` `YOLOv11`) - [x] `RTSP` 功能 支持 Http 协议 ( Single Mode ) - [x] 支持模型对比模式（VS Mode） - [x] 支持拖拽文件输入 - [ ] 追踪和计数模型 ( `工业化` ) ## 功能 ### 1. 支持 图片 / 视频 / 摄像头 / 文件夹（批量）/ 网络摄像头 目标检测 选择左侧菜单栏的图片 / 视频 / 摄像头 / 文件夹（批量）/ 网络摄像头 进行目标检测 ### 2. 动态切换模型 / 调整超参数 程序开始检测时，支持动态切换模型 / 调整超参数 1. 支持动态切换 `YOLOv5` / ` YOLOv7` / `YOLOv8` / `YOLOv9` / `YOLOv10` / `YOLOv11` / `RTDETR` / `YOLOv5-seg` / `YOLOv8-seg` `YOLOv11-seg` / `YOLOv8-pose` / `YOLOv11-pose` / `YOLOv8-obb` / `YOLOv11-obb` / `SAM` / `MobileSAM` / `FastSAM` 模型 2. 支持动态修改 `IOU` / `Confidence` / `Delay time ` / `line thickness` 超参数 ### 3. 动态加载模型 程序可以自动检测`ptfiles` 文件夹中包含 [YOLOv5 Models](https://github.com/ultralytics/yolov5/releases) / [YOLOv7 Models](https://github.com/WongKinYiu/yolov7/releases/) / [YOLOv8 Models](https://github.com/ultralytics/assets/releases/) / [YOLOv9 Models](https://github.com/WongKinYiu/yolov9/releases/) / [YOLOv10 Models](https://github.com/THU-MIG/yolov10/releases/) / [YOLOv11 Models](https://github.com/ultralytics/assets/releases/) / [RT-DETR Models](https://github.com/ultralytics/assets/releases/) / [SAM Models](https://github.com/ultralytics/assets/releases/) / [MobileSAM Models](https://github.com/ultralytics/assets/releases/) / [FastSAM Models](https://github.com/ultralytics/assets/releases/) `pt` 模型. 如果你需要导入新的 `pt` 文件, 请点击 `Settings` 框中的 `Import Model` 按钮 来选择需要导入的 `pt` 文件. 然后程序会把该文件复制到 `ptfiles` 文件夹下. **Notice :** 1. 所有的 `pt` 模型文件命名必须包含 `yolov5` / `yolov7` / `yolov8` / `yolov9` / `yolov10` / `yolo11` / `rtdetr` / `sam` / `samv2` / `mobilesam` / `fastsam` 中的任意一个版本. (如 `yolov8-test.pt`) 2. 如果是分割类型的 `pt` 文件, 命名中应包含 `yolov5n-seg` / `yolov8s-seg` / `yolo11-seg` 中的任意一个版本. (如 `yolov8n-seg-test.pt`) 3. 如果是姿态检测类型的 `pt` 文件, 命名中应包含 `yolov8n-pose` / `yolo11n-pose` 中的任意一个版本. (如 `yolov8n-pose-test.pt`) 4. 如果是旋转框类型的 `pt` 文件, 命名中应包含 `yolov8n-obb` / `yolo11n-obb` 中的任意一个版本. (e.g. `yolov8n-obb-test.pt`) ### 4. 加载超参数配置 1. 程序启动后, 自动加载最近保存的超参数配置. 2. 程序关闭后, 自动保存最近修改的超参数配置. ### 5. 保存检测结果 如果需要保存检测结果，请在检测前点击 `Save Mode` . 然后等待检测完毕，选择需要保存的路径进行结果保存. ### 6. 同时支持目标检测、实例分割和姿态估计 从 ***YOLOSHOW v3.0*** 起 ，支持目标检测、实例分割、姿态估计和旋转框多种任务。同时支持不同版本的任务切换，如从`YOLOv5` 目标检测任务 切换到 `YOLOv8` 实例分割任务。 ### 7. 支持目标检测、实例分割、姿态估计和旋转框模型对比模式 从 ***YOLOSHOW v3.0*** 起，支持目标检测、实例分割、姿态估计和旋转框模型对比模式。 ## 运行准备工作 ### 实验环境 ```Shell OS : Windows 11 CPU : Intel(R) Core(TM) i7-10750H CPU @2.60GHz 2.59 GHz GPU : NVIDIA GeForce GTX 1660Ti 6GB ``` ### 1. 创建虚拟环境 创建内置Python 3.9的conda虚拟环境, 然后激活该环境. ```shell conda create -n yoloshow python=3.9 conda activate yoloshow ``` ### 2. 安装Pytorch框架 ```shell Windows: pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 Linux: pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` 安装其他版本的 Pytorch : [![Pytorch](https://img.shields.io/badge/PYtorch-test?style=flat&logo=pytorch&logoColor=white&color=orange)](https://pytorch.org/) ### 3. 安装依赖包 切换到YOLOSHOW程序所在的路径 ```shell cd {YOLOSHOW程序所在的路径} ``` 安装程序所需要的依赖包 ```shell pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple ``` ### 4. 添加字体 #### Windows 用户 把所有的`fonts` 文件夹中的字体文件 `*.ttf` 复制到 `C:\Windows\Fonts` #### Linux 用户 ```shell mkdir -p ~/.local/share/fonts sudo cp fonts/Shojumaru-Regular.ttf ~/.local/share/fonts/ sudo fc-cache -fv ``` #### MacOS 用户 MacBook实在太贵了，我买不起。你们自己想办法安装吧~😂 ### 5. 运行程序 ```shell python main.py ``` ## 使用框架 [![Python](https://img.shields.io/badge/python-3776ab?style=for-the-badge&logo=python&logoColor=ffd343)](https://www.python.org/)[![Pytorch](https://img.shields.io/badge/PYtorch-test?style=for-the-badge&logo=pytorch&logoColor=white&color=orange)](https://pytorch.org/)[![Static Badge](https://img.shields.io/badge/Pyside6-test?style=for-the-badge&logo=qt&logoColor=white)](https://doc.qt.io/qtforpython-6/PySide6/QtWidgets/index.html) ## 参考文献 ### YOLO 算法 [YOLOv5](https://github.com/ultralytics/yolov5) [YOLOv7](https://github.com/WongKinYiu/yolov7) [YOLOv8 / YOLOv11 / RT-DETR / SAM / MobileSAM / FastSAM](https://github.com/ultralytics/ultralytics) [YOLOv9](https://github.com/WongKinYiu/yolov9) [YOLOv10](https://github.com/THU-MIG/yolov10) ### YOLO 图形化界面 [YOLOSIDE](https://github.com/Jai-wei/YOLOv8-PySide6-GUI) [PyQt-Fluent-Widgets](https://github.com/zhiyiYo/PyQt-Fluent-Widgets)