简介：这份毕设参考资源面向计算机视觉方向的本科与研究生毕业生，提供一套基于YOLOv8与PyQt5的常见皮肤病辅助检测系统完整实现，可用于毕业设计选题、课程项目或算法落地练习。压缩包共85个文件，约34.32MB，包含20个py源码文件、26个pyc编译文件、15张png界面素材、3个pt模型权重以及ui、qrc、css、ttf等界面与字体资源，覆盖模型推理、界面布局、样式美化与配置管理等模块。项目以YOLOv8完成皮肤病图像中病变区域的识别与分类，借助PyQt5实现自适应不同屏幕尺寸的交互界面，支持摄像头实时采集与本地图片导入，并配有训练脚本、检测工具与运行说明文档。目前已有183人学习下载，读者可据此理清从数据准备、模型训练到界面集成的完整链路，快速搭建可演示的辅助检测原型，并参考其目录组织与排错思路完成自己的毕设开发。
1. 从一份毕设压缩包说起：yolov8+pyqt5 皮肤病辅助检测系统到底在做什么
很多同学拿到「基于yolov8+pyqt5自适应界面设计的常见皮肤病辅助检测系统」这个题目时，第一反应是去搜 yolov8下载、pyqt5安装，然后卡在环境上三天。我当年帮人看这类毕设，最常见的翻车现场不是模型训不出来，而是训练脚本跑通了，界面却连图片都传不进去。这套系统的本质其实很朴素：用 YOLOv8 做皮肤病灶区域的检测与分类，用 PyQt5 做一个能自适应窗口大小的桌面端界面，把「选图—推理—显示结果」这条链路串起来。它适合两类人：一类是需要一个能跑通、能答辩、能写论文的完整毕设；另一类是想练手「模型落地到桌面应用」这条工程链路的开发者。核心难点从来不在 YOLOv8 本身，而在于数据集标注质量、界面与推理线程的配合、以及自适应布局这三个容易被忽略的地方。下面我按自己实际搭过一遍的顺序，把选型、训练、界面、踩坑讲清楚。
2. 数据集与模型选型：为什么是 YOLOv8 而不是分类网络
2.1 皮肤病检测任务的本质是「定位+分类」而不是纯分类
很多人第一反应是用 ResNet 做图像分类，输入一张皮肤图，输出是哪种病。这个思路在毕设里能跑，但答辩时老师一句「病灶在图片哪个位置」就把你问住了。皮肤病的实际场景里，一张图可能有多个病灶，或者病灶只占画面一小块，纯分类网络会把整张图的背景噪声也学进去。YOLOv8 是单阶段目标检测，一次前向就输出边界框和类别，天然适合「一张图里找病灶并判断类型」这个需求。常见皮肤病数据集一般包含带状疱疹、湿疹、银屑病、痤疮、荨麻疹等几类，每类几十到几百张不等。我一般建议至少每类 150 张以上，否则 YOLOv8 的 mAP 会很难看。
选 YOLOv8 而不是 YOLOv5 的理由也很实际：Ultralytics 这套库把训练、验证、导出、推理全封装成一行命令，对毕设这种「时间紧、要出图、要写论文」的场景非常友好。yolov8n 权重只有 6MB 左右，gtx1660ti 这种老卡也能跑，甚至 ubuntu20.04 搭建 yolov8 环境 cpu 版本也能勉强推理。如果你只是做毕设演示，yolov8n 或 yolov8s 足够；想冲论文指标再上 yolov8m。
2.2 用 labelme 标注后转 YOLO 格式的完整流程
热词里 labelme 无法安装 pyqt5 是个高频问题，因为 labelme 本身依赖 PyQt5，版本冲突很常见。我的做法是给 labelme 单独建一个虚拟环境，别和主项目混在一起。
# 给标注工具单独建环境，避免和主项目 PyQt5 版本打架 conda create -n labelme_env python=3.9 -y conda activate labelme_env pip install labelme -i https://pypi.tuna.tsinghua.edu.cn/simple # 启动标注 labelme标注时选「创建矩形」，框住病灶，标签名用英文（如 eczema、psoriasis），别用中文，否则后面转换脚本容易出编码问题。标完每张图会生成一个同名 .json 文件。接下来要转成 YOLO 需要的 txt 格式，每行是类别id 中心x 中心y 宽 高，且都是归一化到 0-1 的值。
import json import os from pathlib import Path # 类别映射，顺序要和 data.yaml 里的 names 完全一致 class_map = {"eczema": 0, "psoriasis": 1, "acne": 2, "urticaria": 3} json_dir = Path("labels_json") out_dir = Path("labels_txt") out_dir.mkdir(exist_ok=True) for jf in json_dir.glob("*.json"): data = json.loads(jf.read_text(encoding="utf-8")) img_w = data["imageWidth"] img_h = data["imageHeight"] lines = [] for shape in data["shapes"]: label = shape["label"] if label not in class_map: continue pts = shape["points"] xs = [p[0] for p in pts] ys = [p[1] for p in pts] # 转成中心点+宽高的归一化格式 cx = (min(xs) + max(xs)) / 2 / img_w cy = (min(ys) + max(ys)) / 2 / img_h w = (max(xs) - min(xs)) / img_w h = (max(ys) - min(ys)) / img_h lines.append(f"{class_map[label]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") (out_dir / (jf.stem + ".txt")).write_text("\n".join(lines), encoding="utf-8")这段脚本的关键参数是class_map，它必须和后面 data.yaml 里的names顺序严格对应，错一位整个训练标签就全乱了。cx/cy/w/h都除以了图像宽高做归一化，这是 YOLO 格式的硬性要求，不归一化训练时 loss 会直接爆炸。转换完记得抽查几个 txt，用cat看一眼数值是不是都在 0-1 之间。
2.3 data.yaml 与目录结构：一个字母错就白训
YOLOv8 要求的数据集目录结构是固定的，我见过太多人因为路径写错导致训练时提示「no labels found」。
# data.yaml path: /home/user/skin_dataset # 数据集根目录，绝对路径最稳 train: images/train val: images/val nc: 4 # 类别数，必须和 class_map 数量一致 names: ["eczema", "psoriasis", "acne", "urticaria"]目录长这样：skin_dataset/images/train、skin_dataset/images/val、skin_dataset/labels/train、skin_dataset/labels/val。注意 images 和 labels 是平级的两棵子树，YOLO 会自动去 labels 下找同名 txt。常见错误是把 txt 和图片放同一个文件夹，或者 train/val 划分比例失衡。我一般按 8:2 划分，验证集至少留 30 张，否则 val 的 mAP 波动大得没法写进论文。
3. 训练、验证与损失曲线：把 yolov8 训到能答辩
3.1 环境搭建与预训练权重下载
yolov8环境配置其实不复杂，但版本要对。我的组合是 Python 3.9 + torch 2.0 + ultralytics 8.x。如果你只有 CPU，ubuntu20.04 搭建 yolov8 环境 cpu 版本也能跑，只是训练慢，建议直接用预训练权重做推理演示。
conda create -n skin_yolo python=3.9 -y conda activate skin_yolo # 装 pytorch，有显卡的按自己 cuda 版本去官网选命令 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple # 验证安装 yolo checksyolo checks会打印出你的 torch 版本、cuda 是否可用、以及 ultralytics 版本。如果 cuda 显示 False 但你明明有显卡，八成是 torch 装成了 cpu 版，重装即可。yolov8预训练权重下载不用手动找，第一次训练时 ultralytics 会自动从官方源拉 yolov8n.pt，网络不好就手动下载后放到项目根目录，训练时用model=yolov8n.pt指定本地路径。
3.2 训练命令与关键参数含义
yolo detect train \ data=data.yaml \ model=yolov8n.pt \ epochs=150 \ imgsz=640 \ batch=16 \ lr0=0.01 \ patience=30 \ project=runs/skin \ name=exp1逐个说参数：epochs=150是训练轮数，皮肤病数据集小，100-200 之间比较合适，太多会过拟合。imgsz=640是输入分辨率，显存不够就降到 416 或 320，但小病灶会漏检。batch=16看显存，gtx1660ti 6G 跑 640 大概能到 16，爆显存就减半。lr0=0.01是初始学习率，YOLOv8 默认带余弦退火，一般不用大改。patience=30是早停，30 轮没提升就停，省时间。训练完权重在runs/skin/exp1/weights/best.pt。
3.3 画损失函数曲线：论文里必须有的一张图
yolov8画损失函数曲线图不用自己写，训练完results.csv就在 exp1 目录下，里面记录了每轮的 box_loss、cls_loss、dfl_loss 和 mAP。
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/skin/exp1/results.csv") df.columns = [c.strip() for c in df.columns] # 列名可能带空格，先清理 fig, ax1 = plt.subplots(figsize=(10, 6)) ax1.plot(df["epoch"], df["train/box_loss"], label="box_loss") ax1.plot(df["epoch"], df["train/cls_loss"], label="cls_loss") ax1.set_xlabel("epoch") ax1.set_ylabel("loss") ax1.legend(loc="upper right") ax2 = ax1.twinx() ax2.plot(df["epoch"], df["metrics/mAP50(B)"], color="red", label="mAP50") ax2.set_ylabel("mAP50") ax2.legend(loc="lower right") plt.title("YOLOv8 training curve") plt.savefig("loss_curve.png", dpi=200)这段代码把 loss 和 mAP 画在同一张图上，双 y 轴。判断训练好坏的土办法：box_loss 和 cls_loss 应该整体下降并趋于平缓，如果 cls_loss 一直震荡不降，多半是标签类别不平衡或者标注框画得太随意。mAP50 能到 0.7 以上，毕设答辩就稳了。
4. PyQt5 自适应界面：把模型塞进桌面应用
4.1 自适应布局的核心是 QLayout 而不是固定坐标
pyqt5界面设计新手最容易犯的错是用setGeometry写死每个控件的位置，结果换个分辨率界面就散架。自适应界面的正确做法是用布局管理器：主窗口用 QVBoxLayout 竖着分三块（顶部工具栏、中间图像区、底部结果区），中间图像区用 QHBoxLayout 横着放原图和结果图。这样窗口拉伸时控件自动跟着变。
from PyQt5.QtWidgets import (QApplication, QMainWindow, QWidget, QVBoxLayout, QHBoxLayout, QPushButton, QLabel, QFileDialog) from PyQt5.QtGui import QPixmap from PyQt5.QtCore import Qt class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("皮肤病辅助检测系统") self.resize(1000, 700) central = QWidget() self.setCentralWidget(central) root = QVBoxLayout(central) # 顶部按钮栏 top = QHBoxLayout() self.btn_open = QPushButton("选择图片") self.btn_detect = QPushButton("开始检测") top.addWidget(self.btn_open) top.addWidget(self.btn_detect) top.addStretch() # 弹簧，把按钮推到左边 root.addLayout(top) # 中间图像区，左右两张图 mid = QHBoxLayout() self.lbl_src = QLabel("原图") self.lbl_res = QLabel("检测结果") for lbl in (self.lbl_src, self.lbl_res): lbl.setAlignment(Qt.AlignCenter) lbl.setMinimumSize(300, 300) lbl.setStyleSheet("border: 1px solid #ccc;") mid.addWidget(lbl) root.addLayout(mid, stretch=1) # stretch=1 让图像区占满剩余空间 # 底部结果文字 self.lbl_info = QLabel("等待检测") root.addWidget(self.lbl_info) self.btn_open.clicked.connect(self.open_image) def open_image(self): path, _ = QFileDialog.getOpenFileName(self, "选图", "", "Images (*.png *.jpg *.jpeg)") if path: self.current_path = path pix = QPixmap(path).scaled(self.lbl_src.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation) self.lbl_src.setPixmap(pix) if __name__ == "__main__": app = QApplication([]) w = MainWindow() w.show() app.exec_()关键点是root.addLayout(mid, stretch=1)，这个 stretch 让图像区吃掉所有多余空间，窗口拉大时图片区跟着变大，这就是「自适应」的本质。Qt.KeepAspectRatio保证图片缩放不变形。top.addStretch()是弹簧，把按钮挤到左边，不加的话按钮会平均分布很难看。
4.2 推理线程与界面刷新：别让界面卡死
直接在按钮回调里跑model.predict()会让界面卡住几秒，用户体验极差，答辩时老师会以为你程序崩了。正确做法是把推理放到 QThread 里，通过信号把结果传回主线程。
from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO class DetectThread(QThread): finished = pyqtSignal(object, list) # 传回绘制后的图 + 检测信息 def __init__(self, model, img_path): super().__init__() self.model = model self.img_path = img_path def run(self): results = self.model.predict(self.img_path, conf=0.25, imgsz=640) r = results[0] # plot() 返回带框的 numpy 图，BGR 格式 annotated = r.plot() infos = [] for box in r.boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) infos.append(f"{self.model.names[cls_id]}: {conf:.2f}") self.finished.emit(annotated, infos)conf=0.25是置信度阈值，低于这个的框不显示，皮肤病场景建议 0.25-0.4，太低会框出一堆误检。r.plot()是 ultralytics 自带的绘图函数，直接返回画好框的图，省得自己写 cv2.rectangle。信号finished用object类型传 numpy 数组，主线程收到后转成 QImage 再显示。这样推理在后台跑，界面不卡，进度条也能正常转。
4.3 结果图从 numpy 到 QLabel 的转换
numpy 数组不能直接塞给 QLabel，中间要过一道 QImage。
import cv2 from PyQt5.QtGui import QImage, QPixmap def show_result(self, annotated, infos): # ultralytics 返回的是 BGR，转成 RGB rgb = cv2.cvtColor(annotated, cv2.COLOR_BGR2RGB) h, w, ch = rgb.shape qimg = QImage(rgb.data, w, h, ch * w, QImage.Format_RGB888) pix = QPixmap.fromImage(qimg).scaled(self.lbl_res.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation) self.lbl_res.setPixmap(pix) self.lbl_info.setText(" | ".join(infos) if infos else "未检测到病灶")ch * w是每行字节数，这个参数写错图会花屏，是血泪经验。Format_RGB888对应三通道 RGB，别用 Format_BGR888，Qt 没这个格式。检测信息拼成字符串显示在底部，答辩时一眼能看到类别和置信度。
5. 避坑与排查：那些让我熬夜的翻车现场
5.1 训练时提示 no labels found
现象：yolo detect train跑起来后警告一堆图片找不到标签，mAP 全程为 0。原因：data.yaml 里的 path 和实际目录对不上，或者 labels 文件夹名拼错（写成 label 少个 s）。解决：用ls skin_dataset/labels/train | head确认 txt 存在，再检查 data.yaml 的 path 是不是绝对路径。相对路径在不同工作目录下启动会失效，一律用绝对路径最稳。
5.2 pyqt5 界面显示中文乱码或方框
现象：按钮上的中文变成方块。原因：系统缺中文字体，或者代码文件编码不是 utf-8。解决：文件头加# -*- coding: utf-8 -*-，并在 QApplication 创建前设置字体app.setFont(QFont("Microsoft YaHei", 10))，Linux 下换成WenQuanYi Micro Hei。别用默认字体，跨平台必翻车。
5.3 labelme 装不上或和主项目 PyQt5 冲突
现象：pip install labelme后主项目的 PyQt5 报版本错误，或者 labelme 启动闪退。原因：labelme 依赖的 PyQt5 版本和你主项目不一致，装在一起互相覆盖。解决：给 labelme 单独建 conda 环境，标注和训练用两个环境，互不干扰。这是最省心的做法，别想着一个环境走天下。
5.4 推理时显存不足 CUDA out of memory
现象：训练能跑，推理时爆显存。原因：PyQt5 主进程已经占了一部分显存，模型加载又占一块。解决：推理时把imgsz降到 416，或者用model.predict(..., device='cpu')强制走 CPU。毕设演示对速度要求不高，CPU 推理一张图一两秒也能接受，稳定性优先。
5.5 自适应界面拉伸后图片变形
现象：窗口拉大，图片被拉扁。原因：QLabel 的 scaled 没加Qt.KeepAspectRatio，或者 QLabel 本身没设 minimumSize 导致布局算不出比例。解决：scaled 一定带 KeepAspectRatio，QLabel 设 minimumSize 给布局一个下界，再配合 stretch 分配空间。三个一起用才稳。
6. 进阶技巧：把检测结果导出成可写进论文的结构化数据
毕设答辩时老师常问「你这系统除了显示框，还能输出什么」。我一般会加一个导出功能，把每张图的检测结果存成 CSV，包含文件名、类别、置信度、边界框坐标。这样论文里的「实验结果分析」章节就有真实数据支撑，而不是只贴几张截图。
import csv from pathlib import Path def export_results(model, img_dir, out_csv="detect_results.csv"): img_dir = Path(img_dir) rows = [] for img in img_dir.glob("*.jpg"): r = model.predict(str(img), conf=0.25, verbose=False)[0] for box in r.boxes: cls_id = int(box.cls[0]) conf = float(box.conf[0]) x1, y1, x2, y2 = [round(float(v), 2) for v in box.xyxy[0]] rows.append([img.name, model.names[cls_id], round(conf, 4), x1, y1, x2, y2]) with open(out_csv, "w", newline="", encoding="utf-8-sig") as f: writer = csv.writer(f) writer.writerow(["image", "class", "confidence", "x1", "y1", "x2", "y2"]) writer.writerows(rows) print(f"导出 {len(rows)} 条检测记录到 {out_csv}")encoding="utf-8-sig"是为了 Excel 打开不乱码，这个细节很多人不知道。verbose=False关掉 predict 的进度打印，批量跑的时候日志干净。导出后你可以用 pandas 统计每类的平均置信度、检出数量，直接做成论文里的表格。
验证系统是否真的可用，我的习惯是拿 10 张训练集里没出现过的图跑一遍，人工核对框的位置和类别对不对。如果 10 张里错 3 张以上，说明数据集标注质量有问题，回去重新标，别急着调模型参数。模型改进（比如加协调注意力机制）是锦上添花，数据质量才是地基。我踩过最大的坑就是一开始贪快，标注框画得比病灶大一圈，结果模型学出来的框全是虚的，mAP 死活上不去，回头重标花了两倍时间。所以宁可标注慢一点，也别糊弄。希望帮到你。
本文还有配套的精品资源，点击获取
