一、项目介绍
本文提出了一种基于深度学习的骨折识别检测系统，采用最新的目标检测算法YOLOv12实现骨折病灶的快速准确定位与分类。系统共识别三类目标：骨折（Fracture）、非骨折（No_Fracture）以及其他对象（object），使用包含2108张训练图片、602张验证图片和301张测试图片的YOLO格式数据集进行模型训练和验证。该系统不仅具备较高的检测精度和实时性能，还集成了友好的用户界面(UI)，支持登录注册功能，便于临床医生和相关技术人员操作使用。实验结果表明，基于YOLOv12的骨折检测系统在多类别骨折识别任务中表现优异，有助于提升医疗影像诊断的智能化水平和效率。
引言
骨折作为临床常见的创伤性疾病，其及时准确的诊断对于患者治疗和康复具有重要意义。传统的骨折诊断依赖于医生对医学影像（如X光片、CT等）的人工判读，耗时且易受主观因素影响。近年来，随着深度学习技术的发展，基于卷积神经网络（CNN）的目标检测算法在医学图像分析领域展现出广阔的应用前景。YOLO（You Only Look Once）系列算法以其端到端、速度快、精度高的优势，成为医学影像中异常检测的理想选择。
本文基于最新版本的YOLOv12模型，构建了一个骨折识别检测系统，实现了对骨折、非骨折及其他对象的多类别检测。系统采用规模适中的YOLO格式数据集进行训练，并设计了包含登录注册的用户界面，提升系统的易用性与实用性。该研究旨在为临床骨折诊断提供智能辅助工具，减轻医生负担，提高诊断准确率，推动医疗影像分析的自动化与智能化进程。
目录
一、项目介绍
引言
二、项目功能展示
2.1 用户登录系统
2.2 检测功能
2.3 检测结果显示
2.4 参数配置
2.5 其他功能
3. 技术特点
4. 系统流程
三、数据集介绍
数据集配置文件
四、项目环境配置
创建虚拟环境
安装所需要库
五、模型训练
训练代码
训练结果
六、核心代码
🔐登录注册验证
🎯 多重检测模式
🖼️ 沉浸式可视化
⚙️ 参数配置系统
✨ UI美学设计
🔄 智能工作流
七、项目源码(视频简介)
基于深度学习YOLOv12的骨折识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv12的骨折识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
二、项目功能展示
✅ 用户登录注册：支持密码检测和安全性验证。
✅ 三种检测模式：基于YOLOv12模型，支持图片、视频和实时摄像头三种检测，精准识别目标。
✅ 双画面对比：同屏显示原始画面与检测结果。
✅ 数据可视化：实时表格展示检测目标的类别、置信度及坐标。
✅智能参数调节：提供置信度滑块，动态优化检测精度，适应不同场景需求。
✅科幻风交互界面：深色主题搭配动态光效，减少视觉疲劳，提升操作体验。
✅多线程高性能架构：独立检测线程保障流畅运行，实时状态提示，响应迅速无卡顿。
2.1 用户登录系统
提供用户登录和注册功能
用户名和密码验证
账户信息本地存储(accounts.json)
密码长度至少6位的安全要求
2.2 检测功能
图片检测：支持JPG/JPEG/PNG/BMP格式图片的火焰烟雾检测
视频检测：支持MP4/AVI/MOV格式视频的逐帧检测
摄像头检测：实时摄像头流检测(默认摄像头0)
检测结果保存到"results"目录
2.3 检测结果显示
显示原始图像和检测结果图像
检测结果表格展示，包含：
检测到的类别
置信度分数
物体位置坐标(x,y)、
2.4 参数配置
模型选择
置信度阈值调节(0-1.0)
IoU(交并比)阈值调节(0-1.0)
实时同步滑块和数值输入框
2.5 其他功能
检测结果保存功能
视频检测时自动保存结果视频
状态栏显示系统状态和最后更新时间
无边框窗口设计，可拖动和调整大小
3. 技术特点
采用多线程处理检测任务，避免界面卡顿
精美的UI设计，具有科技感的视觉效果：
发光边框和按钮
悬停和按下状态效果
自定义滑块、表格和下拉框样式
检测结果保存机制
响应式布局，适应不同窗口大小
4. 系统流程
用户登录/注册
选择检测模式(图片/视频/摄像头)
调整检测参数(可选)
开始检测并查看结果
可选择保存检测结果
停止检测或切换其他模式
三、数据集介绍
本系统所使用的数据集为专门收集整理的骨折影像数据，采用YOLO格式标注，包含三类目标：骨折（Fracture）、非骨折（No_Fracture）以及其他对象（object）。数据集共计包含3011张医学影像，具体划分如下：
训练集：2108张图片，用于模型的训练阶段，帮助模型学习不同类别骨折特征及图像模式。
验证集：602张图片，用于模型训练过程中的调参和验证，防止模型过拟合，提升泛化能力。
测试集：301张图片，用于最终模型性能的评估，确保模型在未见过的数据上依然具备较好的识别能力。
数据集配置文件
数据集采用标准化YOLO格式组织：
train: F:\骨折数据集\train val: F:\骨折数据集\valid test: F:\骨折数据集\test nc: 3 names: ['Fracture', 'No_Fracture', 'object']四、项目环境配置
创建虚拟环境
首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。
终端输入
conda create -n yolov12 python==3.9
激活虚拟环境
conda activate yolov12
安装cpu版本pytorch
pip install torch torchvision torchaudio
安装所需要库
pip install -r requirements.txt
pycharm中配置anaconda
五、模型训练
训练代码
from ultralytics import YOLO model_path = 'yolo12s.pt' data_path = 'data.yaml' if __name__ == '__main__': model = YOLO(model_path) results = model.train(data=data_path, epochs=100, batch=8, device='0', workers=0, project='runs', name='exp', )根据实际情况更换模型 # yolov12n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。 # yolov12s.yaml (small)：小模型，适合实时任务。 # yolov12m.yaml (medium)：中等大小模型，兼顾速度和精度。 # yolov12b.yaml (base)：基本版模型，适合大部分应用场景。 # yolov12l.yaml (large)：大型模型，适合对精度要求高的任务。
--batch 8：每批次8张图像。--epochs 100：训练100轮。--datasets/data.yaml：数据集配置文件。--weights yolov12s.pt：初始化模型权重，yolov12s.pt是预训练的轻量级YOLO模型。
训练结果
六、核心代码
import sys import cv2 import numpy as np from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog from PyQt5.QtCore import QThread, pyqtSignal from ultralytics import YOLO from UiMain import UiMainWindow import time import os from PyQt5.QtWidgets import QDialog from LoginWindow import LoginWindow class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 原始帧, 检测帧, 检测结果 finished_signal = pyqtSignal() # 线程完成信号 def __init__(self, model, source, conf, iou, parent=None): super().__init__(parent) self.model = model self.source = source self.conf = conf self.iou = iou self.running = True def run(self): try: if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')): # 视频或摄像头 cap = cv2.VideoCapture(self.source) while self.running and cap.isOpened(): ret, frame = cap.read() if not ret: break # 保存原始帧 original_frame = frame.copy() # 检测 results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) # 发送信号 self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) # 控制帧率 time.sleep(0.03) # 约30fps cap.release() else: # 图片 frame = cv2.imread(self.source) if frame is not None: original_frame = frame.copy() results = self.model(frame, conf=self.conf, iou=self.iou) annotated_frame = results[0].plot() # 提取检测结果 detections = [] for result in results: for box in result.boxes: class_id = int(box.cls) class_name = self.model.names[class_id] confidence = float(box.conf) x, y, w, h = box.xywh[0].tolist() detections.append((class_name, confidence, x, y)) self.frame_received.emit( cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB), cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB), detections ) except Exception as e: print(f"Detection error: {e}") finally: self.finished_signal.emit() def stop(self): self.running = False class MainWindow(UiMainWindow): def __init__(self): super().__init__() # 初始化模型 self.model = None self.detection_thread = None self.current_image = None self.current_result = None self.video_writer = None self.is_camera_running = False self.is_video_running = False self.last_detection_result = None # 新增：保存最后一次检测结果 # 连接按钮信号 self.image_btn.clicked.connect(self.detect_image) self.video_btn.clicked.connect(self.detect_video) self.camera_btn.clicked.connect(self.detect_camera) self.stop_btn.clicked.connect(self.stop_detection) self.save_btn.clicked.connect(self.save_result) # 初始化模型 self.load_model() def load_model(self): try: model_name = self.model_combo.currentText() self.model = YOLO(f"{model_name}.pt") # 自动下载或加载本地模型 self.update_status(f"模型 {model_name} 加载成功") except Exception as e: QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}") self.update_status("模型加载失败") def detect_image(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.clear_results() self.current_image = cv2.imread(file_path) self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB) self.display_image(self.original_image_label, self.current_image) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测图片: {os.path.basename(file_path)}") def detect_video(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.clear_results() self.is_video_running = True # 初始化视频写入器 cap = cv2.VideoCapture(file_path) frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = cap.get(cv2.CAP_PROP_FPS) cap.release() # 创建保存路径 save_dir = "results" os.makedirs(save_dir, exist_ok=True) timestamp = time.strftime("%Y%m%d_%H%M%S") save_path = os.path.join(save_dir, f"result_{timestamp}.mp4") fourcc = cv2.VideoWriter_fourcc(*'mp4v') self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height)) # 创建检测线程 conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status(f"正在检测视频: {os.path.basename(file_path)}") def detect_camera(self): if self.detection_thread and self.detection_thread.isRunning(): QMessageBox.warning(self, "警告", "请先停止当前检测任务") return self.clear_results() self.is_camera_running = True # 创建检测线程 (默认使用摄像头0) conf = self.confidence_spinbox.value() iou = self.iou_spinbox.value() self.detection_thread = DetectionThread(self.model, 0, conf, iou) self.detection_thread.frame_received.connect(self.on_frame_received) self.detection_thread.finished_signal.connect(self.on_detection_finished) self.detection_thread.start() self.update_status("正在从摄像头检测...")🔐登录注册验证
对应文件：LoginWindow.py
# 账户验证核心逻辑 def handle_login(self): username = self.username_input.text().strip() password = self.password_input.text().strip() if not username or not password: QMessageBox.warning(self, "警告", "用户名和密码不能为空！") return if username in self.accounts and self.accounts[username] == password: self.accept() # 验证通过 else: QMessageBox.warning(self, "错误", "用户名或密码错误！") # 密码强度检查（注册时） def handle_register(self): if len(password) < 6: # 密码长度≥6位 QMessageBox.warning(self, "警告", "密码长度至少为6位！")🎯多重检测模式
对应文件：main.py
图片检测
def detect_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)") if file_path: self.detection_thread = DetectionThread(self.model, file_path, conf, iou) self.detection_thread.start() # 启动检测线程视频检测
def detect_video(self): file_path, _ = QFileDialog.getOpenFileName( self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)") if file_path: self.video_writer = cv2.VideoWriter() # 初始化视频写入器 self.detection_thread = DetectionThread(self.model, file_path, conf, iou)实时摄像头
def detect_camera(self): self.detection_thread = DetectionThread(self.model, 0, conf, iou) # 摄像头设备号0 self.detection_thread.start()🖼️沉浸式可视化
对应文件：UiMain.py
双画面显示
def display_image(self, label, image): q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap = QPixmap.fromImage(q_img) label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio)) # 自适应缩放结果表格
def add_detection_result(self, class_name, confidence, x, y): self.results_table.insertRow(row) items = [ QTableWidgetItem(class_name), # 类别列 QTableWidgetItem(f"{confidence:.2f}"), # 置信度 QTableWidgetItem(f"{x:.1f}"), # X坐标 QTableWidgetItem(f"{y:.1f}") # Y坐标 ]⚙️参数配置系统
对应文件：UiMain.py
双阈值联动控制
# 置信度阈值同步 def update_confidence(self, value): confidence = value / 100.0 self.confidence_spinbox.setValue(confidence) # 滑块→数值框 self.confidence_label.setText(f"置信度阈值: {confidence:.2f}") # IoU阈值同步 def update_iou(self, value): iou = value / 100.0 self.iou_spinbox.setValue(iou)✨UI美学设计
对应文件：UiMain.py
科幻风格按钮
def create_button(self, text, color): return f""" QPushButton {{ border: 1px solid {color}; color: {color}; border-radius: 6px; }} QPushButton:hover {{ background-color: {self.lighten_color(color, 10)}; box-shadow: 0 0 10px {color}; # 悬停发光效果 }} """动态状态栏
def update_status(self, message): self.status_bar.showMessage( f"状态: {message} | 最后更新: {time.strftime('%H:%M:%S')}" # 实时时间戳 )🔄智能工作流
对应文件：main.py
线程管理
class DetectionThread(QThread): frame_received = pyqtSignal(np.ndarray, np.ndarray, list) # 信号量通信 def run(self): while self.running: # 多线程检测循环 results = self.model(frame, conf=self.conf, iou=self.iou) self.frame_received.emit(original_frame, result_frame, detections)七、项目源码(视频简介)
演示与介绍视频：
基于深度学习YOLOv12的骨折识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）_哔哩哔哩_bilibili
基于深度学习YOLOv12的骨折识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）
