在訓練完成後得到最佳模型，接下來我們將幀影象輸入到這個網路進行預測，從而得到預測結果，預測方法（testVideo.py）部分的程式碼如下所示：

def predict(img):
    img = torch.from_numpy(img).to(device)
    img = img.half() if half else img.float()
    img /= 255.0
    if img.ndimension() == 3:
        img = img.unsqueeze(0)
 
    t1 = time_synchronized()
    pred = model(img, augment=False)[0]
    pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=opt.classes,
                               agnostic=opt.agnostic_nms)
    t2 = time_synchronized()
    InferNms = round((t2 - t1), 2)
 
    return pred, InferNms
 
 
def plot_one_box(img, x, color=None, label=None, line_thickness=None):
    # Plots one bounding box on image img
    tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1  # line/font thickness
    color = color or [random.randint(0, 255) for _ in range(3)]
    c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))
    cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA)
    if label:
        tf = max(tl - 1, 1)  # font thickness
        t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]
        c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3
        cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA)  # filled
        cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA)

        執行得到的結果如下圖所示，圖中車型的種類和置信度值都標註出來了，預測速度較快。基於此模型我們可以將其設計成一個帶有介面的系統，在介面上選擇圖片、視訊或攝像頭然後呼叫模型進行檢測。

if __name__ == '__main__':
    # video_path = 0
    video_path = "./UI_rec/test_/test.mp4"
    # 初始化視訊流
    vs = cv2.VideoCapture(video_path)
    (W, H) = (None, None)
    frameIndex = 0  # 視訊幀數

    try:
        prop = cv2.CAP_PROP_FRAME_COUNT
        total = int(vs.get(prop))
        # print("[INFO] 視訊總幀數：{}".format(total))
    # 若讀取失敗，報錯退出
    except:
        print("[INFO] could not determine # of frames in video")
        print("[INFO] no approx. completion time can be provided")
        total = -1

    fourcc = cv2.VideoWriter_fourcc(*'XVID')
    ret, frame = vs.read()
    vw = frame.shape[1]
    vh = frame.shape[0]
    print("[INFO] 視訊尺寸：{} * {}".format(vw, vh))
    output_video = cv2.VideoWriter("./results.avi", fourcc, 20.0, (vw, vh))  # 處理後的視訊物件

    # 遍歷視訊幀進行檢測
    while True:
        # 從視訊檔中逐幀讀取畫面
        (grabbed, image) = vs.read()

        # 若grabbed為空，表示視訊到達最後一幀，退出
        if not grabbed:
            print("[INFO] 執行結束...")
            output_video.release()
            vs.release()
            exit()

        # 獲取畫面長寬
        if W is None or H is None:
            (H, W) = image.shape[:2]

        image = cv2.resize(image, (850, 500))
        img0 = image.copy()
        img = letterbox(img0, new_shape=imgsz)[0]
        img = np.stack(img, 0)
        img = img[:, :, ::-1].transpose(2, 0, 1)  # BGR to RGB, to 3x416x416
        img = np.ascontiguousarray(img)

        pred, useTime = predict(img)

        det = pred[0]
        p, s, im0 = None, '', img0
        if det is not None and len(det):  # 如果有檢測資訊則進入
            det[:, :4] = scale_coords(img.shape[1:], det[:, :4], im0.shape).round()  # 把影象縮放至im0的尺寸
            number_i = 0  # 類別預編號
            detInfo = []
            for *xyxy, conf, cls in reversed(det):  # 遍歷檢測資訊
                c1, c2 = (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))
                # 將檢測資訊新增到字典中
                detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], '%.2f' % conf])
                number_i += 1  # 編號數+1

                label = '%s %.2f' % (names[int(cls)], conf)

                # 畫出檢測到的目標物
                plot_one_box(image, xyxy, label=label, color=colors[int(cls)])

        # 實時顯示檢測畫面
        cv2.imshow('Stream', image)
        image = cv2.resize(image, (vw, vh))
        output_video.write(image)  # 儲存標記後的視訊
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

        # print("FPS:{}".format(int(0.6/(end-start))))
        frameIndex += 1

        執行得到的結果如下圖所示，圖中車輛的種類和置信度值都標註出來了，預測速度較快。基於此模型我們可以將其設計成一個帶有介面的系統，在介面上選擇圖片、視訊或攝像頭然後呼叫模型進行檢測。

        博主對整個系統進行了詳細測試，最終開發出一版流暢得到清新介面，就是博文演示部分的展示，完整的UI介面、測試圖片視訊、程式碼檔案，以及Python離線依賴包（方便安裝執行，也可自行設定環境），均已打包上傳，感興趣的朋友可以通過下載連結獲取。

下載連結

    若您想獲得博文中涉及的實現完整全部程式檔案（包括測試圖片、視訊，py, UI檔案等，如下圖），這裡已打包上傳至博主的麵包多平臺，見可參考部落格與視訊，已將所有涉及的檔案同時打包到裡面，點選即可執行，完整檔案截圖如下：

    在資料夾下的資源顯示如下，下面的連結中也給出了Python的離線依賴包，讀者可在正確安裝Anaconda和Pycharm軟體後，複製離線依賴包至專案目錄下進行安裝，離線依賴的使用詳細演示也可見本人B站視訊：win11從頭安裝軟體和設定環境執行深度學習專案、Win10中使用pycharm和anaconda進行python環境設定教學。

注意：該程式碼採用Pycharm+Python3.8開發，經過測試能成功執行，執行介面的主程式為runMain.py和LoginUI.py，測試圖片指令碼可執行testPicture.py，測試視訊指令碼可執行testVideo.py。為確保程式順利執行，請按照requirements.txt設定Python依賴包的版本。Python版本：3.8，請勿使用其他版本，詳見requirements.txt檔案；

完整資源中包含資料集及訓練程式碼，環境設定與介面中文字、圖片、logo等的修改方法請見視訊，專案完整檔案下載請見以下連結處給出：➷➷➷

完整程式碼下載：https://mbd.pub/o/bread/ZJaXlZlx

參考視訊演示：https://www.bilibili.com/video/BV1yM411p7kq/

離線依賴庫下載：https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwd=oy4n （提取碼：oy4n ）

介面中文字、圖示和背景圖修改方法：

        在Qt Designer中可以徹底修改介面的各個控制元件及設定，然後將ui檔案轉換為py檔案即可呼叫和顯示介面。如果只需要修改介面中的文字、圖示和背景圖的，可以直接在ConfigUI.config檔案中修改，步驟如下：
        （1）開啟UI_rec/tools/ConfigUI.config檔案，若亂碼請選擇GBK編碼開啟。
        （2）如需修改介面文字，只要選中要改的字元替換成自己的就好。
        （3）如需修改背景、圖示等，只需修改圖片的路徑。例如，原檔案中的背景圖設定如下：

mainWindow = :/images/icons/back-image.png

        可修改為自己的名為background2.png圖片（位置在UI_rec/icons/資料夾中），可將該項設定如下即可修改背景圖：

mainWindow = ./icons/background2.png

結束語

        由於博主能力有限，博文中提及的方法即使經過試驗，也難免會有疏漏之處。希望您能熱心指出其中的錯誤，以便下次修改時能以一個更完美更嚴謹的樣子，呈現在大家面前。同時如果有更好的實現方法也請您不吝賜教。