毕设选题选到“PyQt基于深度学习的人群计数方法的研究”之后我一开始其实是有点忐忑的。人群计数这个方向本身已经很成熟但如果你要用YOLOv10来落地还要套一个PyQt桌面界面拿去答辩就完全是另一套打法了——它不是一个纯算法问题而是一个“算法工程展示”的综合课题。这篇内容我按自己做课题的全过程来写从为什么选这条技术路线到数据集怎么收拾、训练参数怎么调、PyQt界面怎么组织再到答辩现场怎么讲清楚你的工作一次性讲透。不管你现在是刚拿到题目不知道从哪下手还是已经训练出模型但卡在界面和答辩环节希望这篇能帮你把整个课题串起来。1. 为什么人群计数最终选了YOLOv10这条路线1.1 人群计数的两条技术路线先搞清楚再选人群计数在学术上大体有两种做法。一种是基于检测的计数思路很直白先把画面里的人一个一个找出来然后数框的数量人就数出来了。另一种是基于密度估计的计数它不直接找“人”而是对画面每个像素回归一张密度图人的位置会形成一个高斯峰最后对密度图做积分求和得到总人数。这两条路线各有各的适用场景。密度估计方法在高度拥挤、遮挡严重的场景里表现更好因为那里的人脸、人体轮廓都已经高度重叠检测框很难稳定输出。但密度估计有一个很现实的问题它给不出每个人在哪里只能给你“这张图大约有多少人”。而基于检测的方法能同时给出数量、位置、甚至每个人的置信度这对做应用系统的价值更高——你后面无论是做热力图、做区域告警、还是导出统计报表都需要位置信息。我这个课题之所以最终走了检测路线核心原因有两个。第一标题里明确了YOLOv10检测路线就是它的主场。第二从毕设选题的角度出发检测路线天然自带“可视化优势”画面上能画出每个人的框答辩时一眼就能看懂系统在干什么而密度图是一张模糊的热力图外行评委很难直观理解。1.2 YOLOv10相对v5/v8的核心变化答辩前要能说清楚YOLOv10是YOLO系列里比较新的一代它最核心的变化是摆脱了NMS。传统的YOLO系列在模型输出后还需要做一次非极大值抑制去掉大量重叠的冗余框。YOLOv10通过一种“一对一”的正样本匹配策略让每个目标只对应一个预测框直接从模型设计上消灭了NMS这个后处理步骤。这一点对推理速度的提升非常明显。以同尺寸模型对比去掉NMS之后单帧推理延迟能降低一部分对于视频流的人群计数场景积少成多实际体验差距是能感知到的。更重要的是它在速度和精度之间做到了更好的平衡在行人检测这种典型场景下它的指标表现是相当能打的。另外要注意YOLOv10本身不是一个模型而是一套模型家族包括N、S、M、B、L、X几种不同规格。做毕设的话我不建议一上来直接上最大的X模型后面我会详细说为什么。1.3 为什么非要套一层PyQt界面这个课题的另一个关键词是PyQt。有些同学会觉得界面只是包装随便拿个命令行跑出结果就行。但作为毕设答辩项目我倒觉得PyQt不是可有可无的装饰而是这个课题工作量能不能被“看见”的关键环节。人群计数算法模型再先进如果交付物是一段只能在命令行里跑的Python脚本答辩评委很难直观感受到“系统完成度”。而一个PyQt桌面应用可以做到选图片、点开视频、打开摄像头在同一个窗口里实时看到检测框、计数数字、统计图表这带来的说服力是纯代码完全无法比拟的。这也是为什么标题里把PyQt和YOLOv10并列本质上它要求你做一个“能用的系统”而不只是“能跑的模型”。所以整个课题我把它拆成了三大块模型训练核心算法能力、界面开发工程交付能力、系统联调与答辩展示综合表达。后面的内容就按这个框架展开。2. 数据集准备与标注清洗花了大量时间的一项工作2.1 数据从哪来怎么选场景人群计数领域有一些经典的公开数据集涵盖校园、街景、广场、商场入口等典型人流场景。但要注意这批数据集很多默认使用“人头中心点”标注而不是完整的检测框。这对检测模型来说是个问题——你拿点标注数据没法直接训练YOLOv10需要先把点转成边界框或者选用本身就带边界框标注的人体检测数据集。我做课题的时候选了混合数据方案基础训练用带完整人体框标注的公开行人数据集保证模型能先学会“什么是人”另外从经典人群计数数据集中挑了一部分高密度场景图片用工具把头部中心点自动扩展成固定尺寸的框一般是人头大小的平均比例作为补充训练数据。这样模型既能在普通场景认出完整人体也能在密集人群中以“头肩框”的形式尽量找全人。这里踩过的一个坑是人头框的尺寸如果不统一模型很容易学歪。不同图片里人的拍摄距离不一样头部尺寸差异很大我用固定像素值扩展出来的框在不同图片里其实代表不同物理大小。后来我把图片和标注都做了归一化处理框的尺寸信息放到归一化坐标里训练时再配合数据增强的随机缩放这个问题才被摊平。2.2 数据清洗比想象中更重要数据集拿到手不要急着训练清洗这一步非常关键。我按下面几步做了过滤去重公开数据集里经常有多张高度相似的连续帧直接全丢进去训练会导致模型对特定画面过拟合。我用图像哈希做了感知去重相似度超过阈值的只留一张。过滤坏样本包括严重模糊的、标注框错位的、画面几乎被人头占满且标注缺失的图片。这部分图保留在训练集里会让loss忽高忽低。划分严格互斥训练集、验证集、测试集必须从“不同场景来源”划分不能同一场景的视频帧既出现在训练集又出现在验证集里。否则后面对精度的评估会虚高答辩时一旦被问到数据划分方式容易露馅。清洗完之后我统计了一下各类场景的数量分布尽量保持校园、街景、广场三类场景比例大致均衡避免模型在某一类场景上严重偏科。2.3 数据增强的尺度策略人群计数的特殊之处在于目标尺度变化极大航拍视角下人只有几个像素近距离监控下人可能占半个屏幕。所以数据增强的重点不只是常规的翻转、色彩抖动而是尺度增强。我用了三种方式组合随机缩放0.5到1.5倍之间、随机拼接把多张小图拼成一张大图模拟拥挤场景、Mosaic增强YOLO系列的标准配置一次把4张图拼一起。效果比较明显的是随机拼接它能在训练中制造出比原始数据更密集的人群分布让模型适应高密度场景时不至于“一多就懵”。3. 训练阶段的参数调优与评估指标选择3.1 环境版本组合一套不容易出问题的搭配训练深度学习模型最头疼的往往是环境问题而不是模型问题。我在搭建训练环境时固定下来的一套版本组合如下Python 3.9PyTorch 1.13CUDA 11.7ultralytics YOLOv10对应的版本分支显卡单卡训练就能跑显存8G以上够用提示YOLOv10的源码集成在Ultralytics框架中安装和训练命令与YOLOv8/其他系列相近。如果你之前用过YOLO系列上手成本很低。需要特别提醒的是不要随手升级到最新的PyTorch版本。Ultralytics框架对PyTorch版本的兼容性有时跟不上最新版一旦遇到算子不支持的报错排查起来非常浪费时间。我用的这套版本组合是经过很多人验证过的稳定搭配直接照用能省掉大量折腾环境的时间。3.2 模型规格、输入尺寸和训练轮次怎么定我前面提到不建议一上来就用YOLOv10x。原因是这个课题的重点是“人群计数系统”的整体完成度而不是单纯刷精度。模型规格越大训练时间越长推理速度越慢部署到PyQt界面里做实时视频检测时越卡。我实测之后的方案是基础模型YOLOv10s速度和精度的平衡点单卡训练一天左右能出结果输入尺寸img size设为640。想过用1280来提升小目标检测能力但测试后发现推理时间明显上涨对实时性影响太大所以最终妥协在640训练轮次epoch设100左右加上早停机制。实际到第70多轮时验证集指标就基本不再提升了早停省了不少时间batch size根据显存能拉多大就多大我是8G显存batch设163.3 评估指标人群计数不能只看mAP普通目标检测任务大家习惯看mAP。但人群计数这个任务有它的特殊性mAP衡量的是“检得准不准”而人群计数的核心指标是“数得差不差”。因此我同时统计了三个维度mAP0.5常规检测精度用来衡量模型找人的基本能力MAE平均绝对误差预测人数与真实人数的绝对误差平均值。公式是MAE (1/N) * Σ|predict_i - groundtruth_i|这个值越低代表计数越准确MSE均方误差对误差大的样本惩罚更重公式是MSE (1/N) * Σ(predict_i - groundtruth_i)²。它能反映系统在极端密集场景下是否“翻大车”完整测试时我在测试集上计算了MAE数值大概是10%以内的偏差率。答辩时讲清楚这套“检测精度计数误差”的双维度评估体系会显得你对任务本质有理解而不是只把模型训练出来就完事了。4. PyQt界面层的功能布局与数据流设计4.1 界面功能模块怎么划分PyQt界面我不想做成那种只有一个按钮的“玩具窗口”。在动工之前我把界面功能划成了四个模块每个模块对应一种独立的能力输入模块支持三种输入源——本地图片、本地视频、摄像头实时画面。这个对应人群计数的三种典型应用形态单帧快查、回放分析、实时监控。检测展示模块显示检测结果画面在每个人头上绘制检测框同时显示当前帧人数、累计人数视频流模式下等数字。统计模块用图表展示计数结果随时间的变化趋势。我用了PyQtGraph来绘制曲线比Qt自带的QChart更轻量实时刷新也不卡。数据导出模块把检测结果保存为带框的图片或视频同时把逐帧计数结果导出为CSV文件方便后续做数据分析。这样的模块划分不仅能覆盖功能需求而且答辩演示时的叙事逻辑也顺了选输入-看检测-观统计-导出结果一个闭环走下来很有展示节奏。4.2 一个关键设计推理线程必须和界面线程分离这个点非常重要。我第一次写的时候直接在界面的按钮响应函数里调用模型推理结果点击“开始检测”之后整个界面立刻无响应窗口转圈连“停止”按钮都点不了。原因是模型推理是耗时操作它把Qt的事件循环阻塞了。正确做法是用QThread把推理过程丢到子线程里主线程只负责界面刷新和事件响应。我用的是QThread Signal/Slot机制子线程里读取视频帧调用YOLOv10模型推理得到每个检测框的坐标和置信度推理完成后通过pyqtSignal把结果一帧图像 人数统计发回主线程主线程收到信号后只做两件事把图像更新到QLabel上、更新人数显示这样设计之后界面在推理过程中依然可以响应停止、切换输入源等操作整个体验才像是一个“桌面软件”。对于摄像头模式我在子线程里用QTimer按固定间隔抓帧间隔参数我设到了50ms一帧20FPS配合YOLOv10s的推理速度跑起来基本能达到实时效果。GC需要提醒的是帧率不要设太高否则界面刷新与模型推理容易互相拖累出现画面卡在某一帧的现象。4.3 检测结果怎么保存和导出CSV导出这块我吃了一点亏刚开始只导出了“每帧人数”这个字段结果做后续分析时才发现信息量不够。后来我把导出字段调整为帧号, 时间戳, 当前帧人数, 累计人数, 检测框坐标列表其中检测框坐标列表用JSON格式字符串写入一列比如[{x:10,y:20,w:50,h:60,conf:0.85}, ...]。这样后续无论是做热力图分析还是核对漏检错检都有足够数据可以回溯。导出视频时我是用OpenCV的VideoWriter把带框帧重新合成一个MP4文件编码用的mp4v兼容性比较好。5. 系统联调中的真实问题与误差优化思路5.1 密集场景漏检到底漏在哪里联调阶段我拿校园中午下课时间段的教学楼门口视频做了多组测试漏检问题主要集中在三种情况近距离遮挡重叠。人群密集时后面的人身体大部分被前面的人挡住只剩一个头尖。YOLOv10s对这种目标的置信度会明显下降drop到0.3以下之后就会被置信度阈值过滤掉。我的处理办法是把置信度阈值从默认的0.5降到0.25漏检明显减少。代价是误检略有上升但通过后续按场景微调误检总体可控。低对比度下的目标丢失。阴天、逆光、树荫下的人体和背景对比度太低模型容易漏。这个比较难从模型参数上解决我在测试报告里把它记录为“已知限制”并补充了一个简单的预处理增强选项让用户在界面上手动开启对比度增强效果能改善一部分。密集场景中边框重叠导致的计数波动。即便模型把人都检出来了画面里框与框严重重叠时用户视觉上会觉得“计数是不是数重复了”。这种情况其实不是模型的错但我通过在检测框上方画一条“跟踪ID时间线”的方式缓解了观感问题——每个框上标注当前帧序号配合累计人数展示让用户理解为“每帧独立统计”比起数字乱跳这种解释方式更有说服力。5.2 小目标人群精度上不去的根因小目标人群一直是检测模型的痛处。YOLOv10s的默认640输入尺寸下一个只有十几个像素宽的人头经过多层下采样之后到特征图末端可能只剩一个特征点信息量严重不足。我试过几种方案最终确认了一个能在现有框架下落地的组合把输入尺寸提升到960对视频流实时性影响较大但图片模式下可接受在界面里增加“图片模式”和“视频模式”的独立配置图片模式用高分辨率推理视频模式用标准640推理对监控摄像头静止画面的场景采用隔帧累加的方式同一位置连续多帧检测结果取并集后再去重提升召回率这套组合下来测试集中小目标较多的场景MAE下降了大概20%效果是能看到的。缺点是代码结构变得复杂一些但如果你的课题时间充足这个优化过程非常适合写进论文的“优化实验”章节——它体现的是你发现问题并逐步解决问题的能力。5.3 系统性能边界你得心里有数性能测试时我记录了一组基本数据模式输入尺寸推理耗时/帧界面体验图片模式640约15ms流畅图片模式960约40ms流畅视频模式640约20ms实时视频模式960约60ms有明显延迟性能数据一定要自己实测记录这是答辩时展示工作量的一部分。另外建议在不同机器上各跑一遍数据比如笔记本和台式机各测一组能说明系统的环境适应性。6. 答辩现场的演示脚本与高频追问准备6.1 三分钟演示闭环怎么设计答辩演示的时间通常很紧3到5分钟就要让评委看完整套系统。我不建议现场临时找素材跑模型风险太大。我准备了一套固定的演示流程和小存货打开系统先用图片模式加载一张中等密度的人群照片大约50人左右点击检测等出结果。这是最快让评委建立认知的一步。切换到视频模式播放一段预先裁剪好的30秒校园人流视频让实时画面和人数曲线同时动起来。动态效果比静态图有冲击力。切到统计模块展示计数曲线的趋势变化说明这个系统能做什么数据分析。最后用导出功能把结果存成视频说明结果可回溯、可审计。备用方案提前备好。我还会准备一个离线保存的检测结果视频万一现场摄像头驱动有问题或者视频编码不兼容直接播放录好的结果视频救场。6.2 评委必问题库与回答思路根据我的答辩经验人群计数这个题目几乎必被问到三个问题“为什么不用密度估计方法”回答思路密度估计方法在极端密集场景下精度更优但无法输出个体位置信息不利于做定位、追踪、区域告警等下游功能本课题定位是实用型计数系统需要兼顾检测可视化与数据导出因此选择基于检测的路线并在高密度场景下做了针对性优化。“YOLOv10和以前版本有什么区别”回答思路重点讲NMS-free机制结合它如何减少后处理耗时、提高推理效率。如果能补充一句“v10在行人检测场景的公开指标中表现优于v8同级模型”就更好了。“你的工作量和创新点体现在哪”回答思路不要只说“用了YOLOv10”。要点是针对人群计数任务的特性做了小目标和密集遮挡优化设计并实现了一套完整的三输入源可交互桌面系统统一了检测精度mAP和计数误差MAE/MSE的双维度评估方法。另外几乎必被追问数据集的构成和标注方式、训练时间、超参设置上面第2、3节的内容准备充分应对这些提问应该不会慌。6.3 我在展示环节的心得最后分享一个实操层面的体会。答辩演示前我花了整整一个晚上把软件在不同分辨率屏幕上的显示效果调了一遍。很多界面在开发电脑上排布没问题接上答辩教室的投影仪之后字体变小、控件挤压、画面错位直接影响评委观感。我后来的做法是窗口布局统一用伸缩因子关键控件的最小尺寸设大一些并把默认字体调到14号及以上。这样即使投影分辨率不对界面也不会乱到让人看不下去。另外一个容易被忽略的细节是现场一定要用模型自带的置信度和阈值配置跑演示视频不要为了好看把置信度阈值调得极低。评委如果要看实时摄像头低阈值下误检框会明显增多一旦出现把背包、灯牌当人的画面解释起来会非常被动。这个课题做完我最大的感受是毕设项目的成败不在某个模型刷到多高的精度而在你能不能把一个技术点讲透、把一套系统做完整、把每个环节的取舍说清楚。YOLOv10解决的是“怎么把人找出来”PyQt解决的是“怎么让人用起来”答辩解决的是“怎么让人信服”——这三件事串起来才是这个题目真正的交付物。