企业官网建设流程全解析

徐州网站设计师,电子技术网,网站推广方式百度云,表白网站制作在线摘要 本文详细介绍了基于YOLO系列#xff08;YOLOv5/YOLOv6/YOLOv7/YOLOv8#xff09;的商品标签识别系统的完整开发流程。该系统能够自动识别和定位商品图像中的各种标签信息#xff0c;包括价格标签、促销标签、成分标签等。我们将从数据集准备、模型训练、性能优化到完整…摘要本文详细介绍了基于YOLO系列YOLOv5/YOLOv6/YOLOv7/YOLOv8的商品标签识别系统的完整开发流程。该系统能够自动识别和定位商品图像中的各种标签信息包括价格标签、促销标签、成分标签等。我们将从数据集准备、模型训练、性能优化到完整的Python/PySide6界面实现进行全面讲解并提供完整的代码实现。目录摘要1. 引言1.1 背景与意义1.2 YOLO算法的发展历程2. 系统架构设计2.1 总体架构2.2 技术栈3. 数据集准备3.1 参考数据集3.2 数据标注格式3.3 数据增强策略4. 模型训练与实现4.1 环境配置4.2 YOLOv8模型训练4.3 YOLOv5模型训练4.4 多模型训练管理器5. PySide6界面实现5.1 主界面设计5.2 系统启动6. 完整项目结构7. 训练与评估7.1 训练脚本7.2 评估脚本8. 优化与部署8.1 模型优化8.2 部署脚本1. 引言1.1 背景与意义在零售行业和仓储管理中商品标签的自动识别具有重要的应用价值。传统的人工检查方式效率低下且容易出错而基于深度学习的自动化识别系统能够大大提高识别准确率和处理效率。商品标签识别可以应用于价格核对、库存管理、智能货架、自助结账等多个场景。1.2 YOLO算法的发展历程YOLOYou Only Look Once系列算法自2016年提出以来经历了多个版本的迭代YOLOv52020年发布使用PyTorch框架易于部署和训练YOLOv62022年发布由美团视觉团队开发专注于工业应用YOLOv72022年发布在速度和精度上都有显著提升YOLOv82023年发布Ultralytics公司开发支持目标检测、分割、分类等多任务2. 系统架构设计2.1 总体架构整个系统分为以下几个模块数据预处理模块负责图像的增强、标注转换等模型训练模块支持多种YOLO模型的训练推理检测模块实现实时检测和批量检测用户界面模块基于PySide6的可视化界面结果管理模块检测结果的保存和导出2.2 技术栈深度学习框架PyTorch模型架构YOLOv5/YOLOv6/YOLOv7/YOLOv8界面框架PySide6图像处理OpenCV、PIL数据处理NumPy、Pandas3. 数据集准备3.1 参考数据集我们使用以下公开数据集进行训练SKU-110K数据集包含11,000张商品图像标注了商品边界框RPC数据集零售产品检查数据集包含83,739张图像自建数据集通过收集电商平台商品图片构建3.2 数据标注格式使用YOLO格式的标注textclass_id x_center y_center width height其中坐标值都是相对于图像宽度和高度的归一化值。3.3 数据增强策略pythonimport albumentations as A from albumentations.pytorch import ToTensorV2 def get_train_transform(): return A.Compose([ A.Resize(640, 640), A.HorizontalFlip(p0.5), A.VerticalFlip(p0.5), A.RandomBrightnessContrast(p0.2), A.RandomGamma(p0.2), A.Blur(p0.1), A.CLAHE(p0.1), A.Rotate(limit15, p0.3), ToTensorV2() ], bbox_paramsA.BboxParams( formatyolo, label_fields[class_labels] ))4. 模型训练与实现4.1 环境配置python# requirements.txt torch1.7.0 torchvision0.8.0 ultralytics # YOLOv8 opencv-python4.5.4 PySide66.4.0 numpy1.19.5 pandas1.3.0 matplotlib3.4.3 seaborn0.11.0 tqdm4.64.0 albumentations1.1.0 scikit-learn0.24.2 pycocotools2.0.24.2 YOLOv8模型训练pythonfrom ultralytics import YOLO import yaml class YOLOv8Trainer: def __init__(self, model_typeyolov8n.pt): 初始化YOLOv8训练器 Args: model_type: 模型类型如 yolov8n.pt, yolov8s.pt 等 self.model YOLO(model_type) def prepare_dataset_config(self, data_dir, class_names): 准备数据集配置文件 Args: data_dir: 数据集目录 class_names: 类别名称列表 dataset_config { path: data_dir, train: images/train, val: images/val, test: images/test, nc: len(class_names), names: class_names } with open(dataset.yaml, w) as f: yaml.dump(dataset_config, f) def train(self, epochs100, imgsz640, batch16, device0): 训练模型 Args: epochs: 训练轮数 imgsz: 图像尺寸 batch: 批大小 device: 训练设备 results self.model.train( datadataset.yaml, epochsepochs, imgszimgsz, batchbatch, devicedevice, saveTrue, save_period10, workers8, projectruns/train, nameyolov8_exp, exist_okTrue ) return results def evaluate(self, model_path): 评估模型 Args: model_path: 模型路径 model YOLO(model_path) metrics model.val() return metrics4.3 YOLOv5模型训练pythonimport torch import yaml import os class YOLOv5Trainer: def __init__(self, repo_pathultralytics/yolov5): 初始化YOLOv5训练器 # 克隆YOLOv5仓库如果不存在 if not os.path.exists(yolov5): import subprocess subprocess.run([git, clone, https://github.com/ultralytics/yolov5.git]) import sys sys.path.append(./yolov5) def train(self, data_yaml, epochs100, imgsz640, batch_size16): 训练YOLOv5模型 from yolov5 import train # 训练参数配置 args { weights: yolov5s.pt, data: data_yaml, epochs: epochs, imgsz: imgsz, batch-size: batch_size, device: 0, workers: 8, project: runs/train, name: yolov5_exp, exist-ok: True, save-period: 10 } # 开始训练 train.run(**args)4.4 多模型训练管理器pythonclass ModelTrainManager: 管理不同YOLO版本的训练 def __init__(self, model_typeyolov8): self.model_type model_type self.trainers { yolov5: YOLOv5Trainer(), yolov8: YOLOv8Trainer() } def train_model(self, config): 训练指定模型 trainer self.trainers.get(self.model_type) if not trainer: raise ValueError(f不支持的模型类型: {self.model_type}) return trainer.train(**config) def compare_models(self, model_paths): 比较不同模型的性能 results {} for name, path in model_paths.items(): if yolov8 in name: model YOLO(path) metrics model.val() results[name] { mAP50: metrics.box.map50, mAP50-95: metrics.box.map, precision: metrics.box.mp, recall: metrics.box.mr } return results5. PySide6界面实现5.1 主界面设计pythonfrom PySide6.QtWidgets import (QMainWindow, QWidget, QVBoxLayout, QHBoxLayout, QPushButton, QLabel, QFileDialog, QComboBox, QSlider, QSpinBox, QGroupBox, QTextEdit, QTabWidget, QTableWidget, QTableWidgetItem, QMessageBox, QProgressBar, QSplitter) from PySide6.QtCore import Qt, QThread, Signal from PySide6.QtGui import QImage, QPixmap, QFont import cv2 import numpy as np class DetectionThread(QThread): 检测线程 finished Signal(np.ndarray) progress Signal(int) def __init__(self, model, image_path): super().__init__() self.model model self.image_path image_path def run(self): 执行检测 image cv2.imread(self.image_path) if image is not None: results self.model(image) annotated_image results[0].plot() self.finished.emit(annotated_image) class MainWindow(QMainWindow): 主窗口 def __init__(self): super().__init__() self.model None self.current_image None self.init_ui() self.init_menu() def init_ui(self): 初始化UI self.setWindowTitle(商品标签识别系统 v1.0) self.setGeometry(100, 100, 1400, 900) # 中央部件 central_widget QWidget() self.setCentralWidget(central_widget) # 主布局 main_layout QVBoxLayout(central_widget) # 顶部控制面板 control_group self.create_control_panel() main_layout.addWidget(control_group) # 分割器左侧图像显示右侧结果 splitter QSplitter(Qt.Horizontal) # 左侧图像显示区域 self.image_label QLabel() self.image_label.setAlignment(Qt.AlignCenter) self.image_label.setMinimumSize(800, 600) splitter.addWidget(self.image_label) # 右侧结果区域 result_widget self.create_result_panel() splitter.addWidget(result_widget) splitter.setSizes([900, 500]) main_layout.addWidget(splitter) # 底部状态栏 self.status_label QLabel(就绪) main_layout.addWidget(self.status_label) def create_control_panel(self): 创建控制面板 group QGroupBox(控制面板) layout QHBoxLayout() # 模型选择 model_layout QVBoxLayout() model_label QLabel(选择模型:) self.model_combo QComboBox() self.model_combo.addItems([YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x]) model_layout.addWidget(model_label) model_layout.addWidget(self.model_combo) # 置信度阈值 conf_layout QVBoxLayout() conf_label QLabel(置信度阈值:) self.conf_slider QSlider(Qt.Horizontal) self.conf_slider.setRange(0, 100) self.conf_slider.setValue(25) self.conf_value QLabel(0.25) conf_layout.addWidget(conf_label) conf_layout.addWidget(self.conf_slider) conf_layout.addWidget(self.conf_value) self.conf_slider.valueChanged.connect(self.update_conf_label) # 按钮 btn_layout QVBoxLayout() self.load_model_btn QPushButton(加载模型) self.load_image_btn QPushButton(加载图像) self.detect_btn QPushButton(开始检测) self.batch_detect_btn QPushButton(批量检测) self.export_btn QPushButton(导出结果) self.load_model_btn.clicked.connect(self.load_model) self.load_image_btn.clicked.connect(self.load_image) self.detect_btn.clicked.connect(self.detect_image) self.batch_detect_btn.clicked.connect(self.batch_detect) self.export_btn.clicked.connect(self.export_results) for btn in [self.load_model_btn, self.load_image_btn, self.detect_btn, self.batch_detect_btn, self.export_btn]: btn_layout.addWidget(btn) layout.addLayout(model_layout) layout.addLayout(conf_layout) layout.addLayout(btn_layout) group.setLayout(layout) return group def create_result_panel(self): 创建结果面板 widget QWidget() layout QVBoxLayout(widget) # 标签页 self.tab_widget QTabWidget() # 检测结果标签页 result_tab QWidget() result_layout QVBoxLayout(result_tab) # 结果表格 self.result_table QTableWidget() self.result_table.setColumnCount(6) self.result_table.setHorizontalHeaderLabels( [ID, 类别, 置信度, X, Y, 宽高] ) result_layout.addWidget(self.result_table) # 统计信息 self.stats_text QTextEdit() self.stats_text.setMaximumHeight(150) result_layout.addWidget(QLabel(统计信息:)) result_layout.addWidget(self.stats_text) self.tab_widget.addTab(result_tab, 检测结果) # 训练标签页 train_tab self.create_train_tab() self.tab_widget.addTab(train_tab, 模型训练) layout.addWidget(self.tab_widget) return widget def create_train_tab(self): 创建训练标签页 tab QWidget() layout QVBoxLayout(tab) # 数据集选择 dataset_group QGroupBox(数据集配置) dataset_layout QVBoxLayout() self.dataset_path_btn QPushButton(选择数据集目录) self.dataset_path_label QLabel(未选择) self.dataset_path_btn.clicked.connect(self.select_dataset_path) dataset_layout.addWidget(self.dataset_path_btn) dataset_layout.addWidget(self.dataset_path_label) dataset_group.setLayout(dataset_layout) layout.addWidget(dataset_group) # 训练参数 param_group QGroupBox(训练参数) param_layout QVBoxLayout() # 模型选择 model_select_layout QHBoxLayout() model_select_layout.addWidget(QLabel(模型架构:)) self.train_model_combo QComboBox() self.train_model_combo.addItems([YOLOv8n, YOLOv8s, YOLOv5s, YOLOv5m]) model_select_layout.addWidget(self.train_model_combo) param_layout.addLayout(model_select_layout) # 训练轮数 epoch_layout QHBoxLayout() epoch_layout.addWidget(QLabel(训练轮数:)) self.epoch_spin QSpinBox() self.epoch_spin.setRange(1, 500) self.epoch_spin.setValue(100) epoch_layout.addWidget(self.epoch_spin) param_layout.addLayout(epoch_layout) # 批大小 batch_layout QHBoxLayout() batch_layout.addWidget(QLabel(批大小:)) self.batch_spin QSpinBox() self.batch_spin.setRange(1, 64) self.batch_spin.setValue(16) batch_layout.addWidget(self.batch_spin) param_layout.addLayout(batch_layout) param_group.setLayout(param_layout) layout.addWidget(param_group) # 训练按钮和进度 self.train_btn QPushButton(开始训练) self.train_btn.clicked.connect(self.start_training) layout.addWidget(self.train_btn) self.train_progress QProgressBar() layout.addWidget(self.train_progress) self.train_log QTextEdit() self.train_log.setMaximumHeight(200) layout.addWidget(QLabel(训练日志:)) layout.addWidget(self.train_log) return tab def load_model(self): 加载模型 try: model_name self.model_combo.currentText().lower() if yolov8 in model_name: from ultralytics import YOLO self.model YOLO(f{model_name}.pt) self.status_label.setText(f模型 {model_name} 加载成功) else: QMessageBox.warning(self, 警告, 暂不支持该模型) except Exception as e: QMessageBox.critical(self, 错误, f加载模型失败: {str(e)}) def load_image(self): 加载图像 file_path, _ QFileDialog.getOpenFileName( self, 选择图像, , 图像文件 (*.jpg *.png *.jpeg *.bmp) ) if file_path: self.current_image cv2.imread(file_path) if self.current_image is not None: self.display_image(self.current_image) self.status_label.setText(f已加载图像: {file_path}) def detect_image(self): 检测图像 if self.model is None: QMessageBox.warning(self, 警告, 请先加载模型) return if self.current_image is None: QMessageBox.warning(self, 警告, 请先加载图像) return # 创建检测线程 self.detect_thread DetectionThread(self.model, self.image_path) self.detect_thread.finished.connect(self.display_results) self.detect_thread.start() self.status_label.setText(正在检测...) self.detect_btn.setEnabled(False) def display_image(self, image): 显示图像 h, w, ch image.shape bytes_per_line ch * w convert_to_qt_format QImage( image.data, w, h, bytes_per_line, QImage.Format_BGR888 ) pixmap QPixmap.fromImage(convert_to_qt_format) scaled_pixmap pixmap.scaled( self.image_label.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation ) self.image_label.setPixmap(scaled_pixmap) def display_results(self, result_image): 显示检测结果 self.display_image(result_image) self.update_result_table() self.detect_btn.setEnabled(True) self.status_label.setText(检测完成) def update_result_table(self): 更新结果表格 # 这里应该从检测结果中提取信息 # 暂时使用示例数据 self.result_table.setRowCount(3) sample_data [ [1, 价格标签, 0.95, 320, 240, 64x32], [2, 促销标签, 0.88, 150, 400, 96x48], [3, 成分标签, 0.92, 500, 180, 128x64] ] for i, row_data in enumerate(sample_data): for j, data in enumerate(row_data): self.result_table.setItem(i, j, QTableWidgetItem(data)) # 更新统计信息 stats f检测到标签总数: 3\n \ f平均置信度: 0.92\n \ f最大置信度: 0.95\n \ f处理时间: 0.15秒 self.stats_text.setText(stats) def select_dataset_path(self): 选择数据集路径 path QFileDialog.getExistingDirectory(self, 选择数据集目录) if path: self.dataset_path_label.setText(path) def start_training(self): 开始训练 if not self.dataset_path_label.text() or self.dataset_path_label.text() 未选择: QMessageBox.warning(self, 警告, 请先选择数据集目录) return # 这里应该调用训练函数 self.train_log.append(开始训练...) self.train_progress.setValue(0) # 实际训练代码应该在这里 def batch_detect(self): 批量检测 folder_path QFileDialog.getExistingDirectory(self, 选择图像文件夹) if folder_path: self.status_label.setText(f批量检测: {folder_path}) # 批量检测逻辑 def export_results(self): 导出结果 file_path, _ QFileDialog.getSaveFileName( self, 导出结果, , CSV文件 (*.csv) ) if file_path: # 导出逻辑 self.status_label.setText(f结果已导出到: {file_path}) def update_conf_label(self, value): 更新置信度标签 self.conf_value.setText(f{value/100:.2f}) def init_menu(self): 初始化菜单栏 menubar self.menuBar() # 文件菜单 file_menu menubar.addMenu(文件) load_model_action file_menu.addAction(加载模型) load_model_action.triggered.connect(self.load_model) load_image_action file_menu.addAction(加载图像) load_image_action.triggered.connect(self.load_image) file_menu.addSeparator() exit_action file_menu.addAction(退出) exit_action.triggered.connect(self.close) # 工具菜单 tool_menu menubar.addMenu(工具) train_action tool_menu.addAction(训练模型) train_action.triggered.connect(lambda: self.tab_widget.setCurrentIndex(1)) # 帮助菜单 help_menu menubar.addMenu(帮助) about_action help_menu.addAction(关于) about_action.triggered.connect(self.show_about) def show_about(self): 显示关于对话框 about_text 商品标签识别系统 v1.0 基于YOLOv8/YOLOv7/YOLOv6/YOLOv5开发 支持多种商品标签的自动识别 功能特点: 1. 支持多种YOLO模型 2. 实时检测和批量检测 3. 模型训练和评估 4. 结果导出 作者: AI开发团队 日期: 2024年 QMessageBox.about(self, 关于, about_text)5.2 系统启动pythonimport sys from PySide6.QtWidgets import QApplication def main(): app QApplication(sys.argv) # 设置应用样式 app.setStyle(Fusion) # 创建并显示主窗口 window MainWindow() window.show() sys.exit(app.exec()) if __name__ __main__: main()6. 完整项目结构textproduct_label_detection/ ├── data/ # 数据集 │ ├── train/ │ │ ├── images/ │ │ └── labels/ │ ├── val/ │ │ ├── images/ │ │ └── labels/ │ └── test/ │ ├── images/ │ └── labels/ ├── models/ # 模型文件 │ ├── yolov8/ │ ├── yolov5/ │ └── trained_models/ ├── src/ # 源代码 │ ├── ui/ # 界面代码 │ │ └── main_window.py │ ├── detection/ # 检测相关 │ │ ├── detector.py │ │ ├── preprocess.py │ │ └── postprocess.py │ ├── training/ # 训练相关 │ │ ├── trainer.py │ │ ├── data_aug.py │ │ └── utils.py │ └── utils/ # 工具函数 │ ├── visualization.py │ ├── metrics.py │ └── export.py ├── configs/ # 配置文件 │ ├── dataset.yaml │ ├── model_config.yaml │ └── train_config.yaml ├── runs/ # 训练结果 │ ├── train/ │ └── val/ ├── requirements.txt # 依赖包 ├── train.py # 训练脚本 ├── detect.py # 检测脚本 ├── evaluate.py # 评估脚本 └── main.py # 主程序入口7. 训练与评估7.1 训练脚本pythonimport argparse import yaml from pathlib import Path def train(args): 训练主函数 # 读取配置 with open(args.config, r) as f: config yaml.safe_load(f) # 根据模型类型选择训练器 if args.model_type.startswith(yolov8): from src.training.yolov8_trainer import YOLOv8Trainer trainer YOLOv8Trainer() elif args.model_type.startswith(yolov5): from src.training.yolov5_trainer import YOLOv5Trainer trainer YOLOv5Trainer() else: raise ValueError(f不支持的模型类型: {args.model_type}) # 准备数据集 data_config { data_dir: args.data_dir, class_names: config[class_names] } trainer.prepare_dataset_config(**data_config) # 训练参数 train_params { epochs: args.epochs, imgsz: args.img_size, batch: args.batch_size, device: args.device } # 开始训练 print(f开始训练 {args.model_type}...) results trainer.train(**train_params) # 保存训练结果 output_dir Path(args.output_dir) output_dir.mkdir(parentsTrue, exist_okTrue) print(f训练完成结果保存在 {output_dir}) if __name__ __main__: parser argparse.ArgumentParser(description商品标签识别模型训练) parser.add_argument(--model_type, typestr, defaultyolov8n, help模型类型: yolov8n, yolov8s, yolov5s等) parser.add_argument(--data_dir, typestr, requiredTrue, help数据集目录) parser.add_argument(--config, typestr, defaultconfigs/train_config.yaml, help配置文件路径) parser.add_argument(--epochs, typeint, default100, help训练轮数) parser.add_argument(--img_size, typeint, default640, help图像尺寸) parser.add_argument(--batch_size, typeint, default16, help批大小) parser.add_argument(--device, typestr, default0, help训练设备) parser.add_argument(--output_dir, typestr, defaultruns/train, help输出目录) args parser.parse_args() train(args)7.2 评估脚本pythonimport json import matplotlib.pyplot as plt import seaborn as sns from sklearn.metrics import confusion_matrix import numpy as np class ModelEvaluator: 模型评估器 def __init__(self, model_path, test_data): self.model_path model_path self.test_data test_data def evaluate_all(self): 全面评估模型 metrics {} # 精度评估 metrics[precision] self.evaluate_precision() # 召回率评估 metrics[recall] self.evaluate_recall() # mAP评估 metrics[mAP] self.evaluate_map() # 速度评估 metrics[speed] self.evaluate_speed() return metrics def plot_confusion_matrix(self, save_pathNone): 绘制混淆矩阵 # 获取预测结果和真实标签 y_true, y_pred self.get_predictions() # 计算混淆矩阵 cm confusion_matrix(y_true, y_pred) # 绘制 plt.figure(figsize(10, 8)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues) plt.title(混淆矩阵) plt.ylabel(真实标签) plt.xlabel(预测标签) if save_path: plt.savefig(save_path, dpi300, bbox_inchestight) plt.show() def generate_report(self, save_pathevaluation_report.json): 生成评估报告 metrics self.evaluate_all() report { model_info: { path: self.model_path, type: self.model_path.split(/)[-1].split(.)[0] }, metrics: metrics, test_data_size: len(self.test_data), class_distribution: self.get_class_distribution() } with open(save_path, w) as f: json.dump(report, f, indent4) return report8. 优化与部署8.1 模型优化pythonimport onnx import onnxruntime as ort import tensorrt as trt class ModelOptimizer: 模型优化器 staticmethod def export_to_onnx(model, input_size(1, 3, 640, 640), output_pathmodel.onnx): 导出为ONNX格式 dummy_input torch.randn(*input_size) torch.onnx.export( model, dummy_input, output_path, export_paramsTrue, opset_version11, do_constant_foldingTrue, input_names[input], output_names[output], dynamic_axes{input: {0: batch_size}, output: {0: batch_size}} ) # 验证ONNX模型 onnx_model onnx.load(output_path) onnx.checker.check_model(onnx_model) return output_path staticmethod def optimize_for_inference(model_path, precisionfp16): 推理优化 # 量化 if precision int8: model quantize_model(model_path) # 混合精度 elif precision fp16: model convert_to_fp16(model_path) return model staticmethod def create_trt_engine(onnx_path, engine_path, max_batch_size1, precisiontrt.float16): 创建TensorRT引擎 TRT_LOGGER trt.Logger(trt.Logger.WARNING) with trt.Builder(TRT_LOGGER) as builder, \ builder.create_network(1 int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH)) as network, \ trt.OnnxParser(network, TRT_LOGGER) as parser: builder.max_batch_size max_batch_size # 解析ONNX模型 with open(onnx_path, rb) as model: parser.parse(model.read()) # 配置优化选项 config builder.create_builder_config() config.set_memory_pool_limit(trt.MemoryPoolType.WORKSPACE, 1 30) if precision trt.float16: config.set_flag(trt.BuilderFlag.FP16) # 构建引擎 engine builder.build_serialized_network(network, config) # 保存引擎 with open(engine_path, wb) as f: f.write(engine) return engine_path8.2 部署脚本pythonfrom fastapi import FastAPI, File, UploadFile from fastapi.responses import JSONResponse import uvicorn app FastAPI(title商品标签识别API) class DetectionAPI: 检测API def __init__(self, model_path): self.model self.load_model(model_path) async def detect_image(self, image_file: UploadFile File(...)): 检测图像API # 读取图像 contents await image_file.read() image cv2.imdecode(np.frombuffer(contents, np.uint8), cv2.IMREAD_COLOR) # 执行检测 results self.model(image) # 处理结果 detections [] for result in results[0].boxes: detection { class: result.cls.item(), confidence: result.conf.item(), bbox: result.xyxy[0].tolist() } detections.append(detection) return JSONResponse({ status: success, detections: detections, count: len(detections) }) app.post(/detect) async def detect(image: UploadFile File(...)): 检测端点 return await detection_api.detect_image(image) if __name__ __main__: # 初始化API detection_api DetectionAPI(models/best.pt) # 启动服务器 uvicorn.run(app, host0.0.0.0, port8000)