# Well

**Repository Path**: Xudinger/Well

## Basic Information

- **Project Name**: Well
- **Description**: 基于YOLO的井盖隐患识别系统
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2025-05-21
- **Last Updated**: 2025-12-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 井盖隐患智能识别系统  
[![Deep Learning](https://img.shields.io/badge/深度学习-Deep%20Learning-blue)](https://pytorch.org/) 
[![Computer Vision](https://img.shields.io/badge/计算机视觉-Computer%20Vision-green)](https://opencv.org/) 
[![Object Detection](https://img.shields.io/badge/目标检测-Object%20Detection-orange)](https://github.com/ultralytics/yolov5) 
[![YOLOv5](https://img.shields.io/badge/YOLOv5-ULTRALYTICS-yellow)](https://github.com/ultralytics/yolov5) 
[![PyQt5](https://img.shields.io/badge/PyQt5-Python%20GUI-red)](https://pypi.org/project/PyQt5/) 
[![OpenCV](https://img.shields.io/badge/OpenCV-Image%20Processing-brightgreen)](https://opencv.org/) 
[![Python](https://img.shields.io/badge/Python-3.6+-blueviolet)](https://www.python.org/)

## 项目简介

本项目是一个基于YOLOv5深度学习框架的井盖隐患智能识别系统，可以实现对图像和视频中井盖异常状态的自动检测和识别。系统采用PyQt5构建友好的图形用户界面，方便用户进行操作和查看检测结果。

## 功能特点

- **图像检测**：支持上传图片并检测图片中的井盖隐患
- **视频检测**：支持摄像头实时监测和视频文件分析
- **可视化界面**：直观展示检测结果，包括检测框和置信度
- **高精度识别**：基于YOLOv5深度学习模型，提供高准确率的井盖状态识别

## 技术栈

- **深度学习框架**：PyTorch
- **目标检测算法**：YOLOv5
- **图形界面**：PyQt5
- **图像处理**：OpenCV

## 环境要求

- Python 3.6+
- PyTorch 1.7.0+
- 其他依赖见`requirements.txt`

## 安装步骤

1. 克隆代码库
```
git clone https://gitee.com/Xudinger/Well.git
cd Well
```

2. 安装依赖
```
pip install -r requirements.txt
```

3. 下载预训练模型
```
# 预训练模型应放在runs/train/exp/weights/目录下
```

## 使用方法

1. 启动应用
```
python main.py
```

2. 图片检测
   - 点击"上传图片"按钮选择需要检测的图片
   - 点击"开始检测"按钮进行检测
   - 检测结果将显示在右侧窗口

3. 视频检测
   - 点击"摄像头实时监测"使用摄像头进行实时检测
   - 点击"视频文件检测"选择视频文件进行检测
   - 点击"停止检测"停止当前检测任务

## 项目结构

```
├── ui/                   # 用户界面相关代码
├── utils/                # 工具函数，包括检测器实现
├── models/               # 模型定义和配置
├── data/                 # 数据集相关
├── runs/                 # 训练和检测结果保存
├── train.py              # 模型训练脚本
├── detect.py             # 目标检测脚本
├── main.py               # 应用程序入口
└── requirements.txt      # 项目依赖
```

## 模型训练

如需重新训练模型，可使用以下命令：

```
python train.py --data [数据配置文件] --weights [预训练权重] --img 640
```

## 演示

运行应用后，主界面包含两个选项卡：
- 图片检测：用于单张图片的井盖隐患检测
- 视频检测：用于视频流的实时井盖隐患检测

## 注意事项

- 首次运行时需确保已下载模型权重文件
- 检测过程中需保持网络摄像头连接稳定（如使用摄像头检测）
- GPU加速能显著提升检测速度

## 致谢

- 本项目基于YOLOv5目标检测框架开发
- 感谢PyQt5提供的图形界面支持