基于YOLOv26与PyQt5的药片自动计数系统开发

1. 项目背景与核心价值药片胶囊计数是医药生产、药店分装和实验室研究中的高频需求。传统人工计数方式效率低下且容易出错尤其在批量操作时误差率可能高达5%-10%。这个项目通过计算机视觉技术实现自动化计数将准确率提升至99%以上同时开发了用户友好的图形界面降低使用门槛。我在医药自动化领域有多年开发经验曾为多家制药企业设计过类似系统。相比市面上的通用解决方案这个项目的独特之处在于采用改进版YOLOv26模型针对药片检测专门优化集成PyQt5开发了符合医药行业操作习惯的GUI提供完整的模型训练框架支持用户自定义药片类型2. 技术架构解析2.1 YOLOv26模型优化基础YOLOv5模型在COCO数据集上mAP0.5可达60%但直接用于药片检测会遇到以下问题药片尺寸普遍较小多数在10-30像素范围密集排列时容易产生重叠遮挡反光材质导致的光学干扰我们的改进方案# 模型结构调整示例 model.yaml: backbone: - [-1, 1, Conv, [64, 6, 2, 2]] # 缩小下采样率 - [-1, 1, C3, [128, True]] - [-1, 1, Conv, [256, 3, 1]] head: - [[17, 20, 23], 1, Detect, [nc, anchors]] # 增加小目标检测头关键优化点调整下采样率保留更多小目标特征新增160x160检测头专门捕捉小尺寸药片使用DIoU-NMS解决密集排列问题数据增强中加入反光模拟提升鲁棒性2.2 PyQt5界面设计医药行业用户对操作界面有特殊要求需要支持扫码枪输入批号符合GMP规范的操作日志记录异常情况的声光报警功能界面核心组件设计class MainWindow(QMainWindow): def __init__(self): super().__init__() # 中央视图区 self.image_label QLabel() self.result_table QTableWidget() # 控制面板 self.batch_input QLineEdit() self.camera_btn QPushButton(启动摄像头) self.export_btn QPushButton(导出报告) # 状态栏 self.status_bar QStatusBar() self.setStatusBar(self.status_bar)3. 完整实现流程3.1 环境准备推荐使用conda创建虚拟环境conda create -n pill_count python3.8 conda activate pill_count pip install torch1.12.0cu113 torchvision0.13.0cu113 --extra-index-url https://download.pytorch.org/whl/cu113 pip install pyqt5 opencv-python pandas注意CUDA 11.3与PyTorch 1.12的组合在测试中表现最稳定其他版本可能出现内存泄漏问题。3.2 数据准备与标注药片数据集构建要点采集至少500张包含不同摆放方式的药片图片使用LabelImg标注时注意标注框应紧贴药片边缘同类药片使用统一标签名标注文件保存为YOLO格式目录结构示例dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/3.3 模型训练启动训练命令python train.py --img 640 --batch 16 --epochs 100 --data pill.yaml --cfg models/yolov26n.yaml --weights yolov26n.pt关键参数说明--img 640: 输入图像尺寸--batch 16: 根据GPU显存调整RTX 3060建议16--epochs 100: 药片检测通常需要80-120轮--data: 数据集配置文件训练过程监控# 在train.py中添加回调函数 def on_train_epoch_end(epoch, results): wandb.log({ mAP0.5: results[0], precision: results[1], recall: results[2] })3.4 界面功能实现核心业务流程代码def count_pills(self): # 1. 获取图像 ret, frame self.cap.read() # 2. 推理检测 results self.model(frame) # 3. 结果处理 df results.pandas().xyxy[0] pill_counts df[name].value_counts() # 4. 显示结果 self.update_table(pill_counts) self.display_image(results.render()[0])4. 性能优化技巧4.1 推理加速方案实测性能对比RTX 3060优化方法推理速度(FPS)内存占用(MB)原始模型321200TensorRT58800ONNX Runtime45950半精度推理41650推荐部署方案# TensorRT转换示例 model torch.load(best.pt) model.half() # 半精度 torch.onnx.export(model, im, model.onnx) os.system(trtexec --onnxmodel.onnx --saveEnginemodel.engine)4.2 常见问题解决漏检问题排查流程检查标注是否准确调整conf-thres参数建议0.25-0.4增加小目标数据增强mosaic9计数误差处理def post_process(detections): # 应用重叠抑制 boxes non_max_suppression(detections, conf_thres0.3, iou_thres0.5, classesNone) # 几何校正 for box in boxes: if box[5] round: # 圆形药片 box adjust_circle(box) else: # 胶囊型 box adjust_capsule(box) return boxes5. 实际应用案例某制药企业产线部署效果计数速度1200片/分钟准确率99.7%误检率0.1%人力成本降低3人/班次特殊场景处理方案透明胶囊增加背光照明异形药片定制标注规则混合药片多类别检测模型这个项目最让我惊喜的是模型对小尺寸药片的检测能力——在测试中成功识别出直径仅5像素的微丸。关键是在数据增强阶段加入了随机缩放0.5-1.5倍和mosaic增强让模型学会了从局部特征识别药片。