企业官网建设流程全解析

当我在实际项目中接到“识别条形码并判断保质期”这个需求时，第一反应是这不就是一个扫码枪加一个数据库就搞定的事情吗？真正动手后才发现，生产环境远没有这么简单：条形码可能倾斜、模糊、反光，包装上的保质期印刷位置不固定，字体五花八门，甚至有些日期是喷码、压印，传统图像处理根本搞不定。后来我逐步验证了一套方案：用 YOLOv8 或 YOLOv5 训练一个目标检测模型，在画面中定位条形码区域和保质期文字区域，再用 pyzbar 解析条形码，用 OCR 配合正则提取保质期信息，最后通过 PySide6 把整个流程封装成一个桌面应用。整套流程做下来，识别稳定性、易用性和工程可维护性都达到了可交付的标准。本文将这套实践完整拆解出来，适合正在做工业视觉识别、自动化录入、库存管理系统的开发者参考，也适合想系统学习 YOLOv8 与 PySide6 结合开发的朋友从零开始搭建一套属于自己的检测识别系统。

1. 背景与核心概念

1.1 条形码保质期识别系统是什么

条形码保质期识别检测系统，指的是通过摄像头或图像输入，自动完成以下任务的软件系统：

• 定位图像中的条形码区域；
• 解析条形码内容（通常是商品编码）；
• 定位包装上的保质期或生产日期区域；
• 识别日期文本并结构化输出；
• 将结果录入数据库或展示在交互界面中。

听起来并不复杂，但实际落地时，难点集中在两个地方：一是条形码和日期区域在复杂背景下的定位，二是日期字符的准确识别。不同商品的包装材质、颜色、印刷工艺差异巨大，如果只靠固定 ROI 截取，几乎无法通用。这时目标检测模型就派上了用场。

1.2 YOLOv8 和 YOLOv5 在系统中的角色

YOLO（You Only Look Once）是一种单阶段目标检测算法，核心思想是通过一次前向传播同时预测目标的类别和位置。YOLOv5 和 YOLOv8 是当前工业落地中使用率非常高的两个版本。

在本系统中，YOLO 模型负责两件事：

1. 条形码检测：输出条形码的边界框，使后续解析不需要在全图中扫描；
2. 保质期文本检测：定位包装上的日期区域，避免 OCR 面对整个包装上的大量无关文字。

YOLOv8 相比 YOLOv5，在结构上引入了 C2f 模块和 Anchor-Free 检测头，训练收敛更快，小目标检测能力更强。但 YOLOv5 生态成熟，部署资料多，在部分硬件上推理速度更快。实际项目中，两者都可以作为检测底座，本文将以 YOLOv8 为主，同时说明用 YOLOv5 时需要注意的差异。

1.3 PySide6 为什么适合做桌面端外壳

PySide6 是 Qt 6 的 Python 官方绑定，常用于开发桌面 GUI 应用。相比 Tkinter 和 PyQt，PySide6 的优势在于：

• 官方维护，License 对开源项目友好；
• 信号槽机制非常适合多线程任务；
• QThread 可以优雅地处理摄像头采集和模型推理；
• QSS 支持样式定制，界面可以做得比较美观。

在本项目中，PySide6 承担了以下职责：

• 显示摄像头实时画面或图片；
• 触发检测按钮并展示结果；
• 多线程管理，避免模型推理阻塞界面；
• 提供条形码内容和保质期日期的可视化输出。

1.4 辅助技术：pyzbar、OpenCV、OCR

• pyzbar：用于解析条形码和二维码，底层基于 ZBar，支持 Code128、EAN-13、UPC-A 等多种码制；
• OpenCV：负责图像读取、预处理、绘制检测框、摄像头调用；
• OCR（光学字符识别）：用于识别保质期文本，常用方案有 PaddleOCR、Tesseract、RapidOCR。本文以 PaddleOCR 为例，因为它对中文和印刷体日期支持较好。

2. 系统整体架构与方案选型

2.1 整体架构图

整个系统可以用一句话概括：采集图像 -> YOLO 定位 -> 条形码解析 + OCR 日期识别 -> 结构化输出 -> PySide6 展示。

用文字描述各模块职责如下：

• 图像采集模块：支持摄像头实时流、单张图片、批量文件夹三种输入方式；
• 目标检测模块：加载训练好的 YOLOv8/YOLOv5 模型，检测条形码和保质期区域；
• 条形码解析模块：对检测到的条形码区域做灰度化和解码；
• 日期识别模块：对检测到的保质期区域做 OCR，再通过正则提取日期；
• 业务逻辑模块：判断保质期是否过期、是否临期；
• 界面展示模块：基于 PySide6 实现。

2.2 为什么不用传统图像处理方案

传统方案通常依赖形态学操作、边缘检测、连通域分析来定位条形码，例如通过计算梯度直方图或形态学闭运算提取条形码区域。这种方法在背景干净、光照均匀的场景下效果尚可，但一旦遇到复杂纹理包装、条形码被遮挡或倾斜，稳定性就会明显下降。

保质期文本定位就更难了，不同厂家的包装设计风格差异太大，有些日期印在侧面，有些印在封口处，有些是喷码形式。基于规则的图像处理方法很难覆盖这么多变化。YOLO 模型只需要标注数据足够多、覆盖场景足够广，就能学习到“条形码长什么样”“日期区域长什么样”的通用特征，鲁棒性远高于传统方案。

2.3 技术选型对比

需要说明的是，如果检测场景只有条形码，没有保质期识别需求，可以直接使用 OpenCV 的 barcode 模块，不需要训练 YOLO 模型。但本项目要求同时检测两个目标并各自分流处理，统一使用 YOLO 做定位是最省心的方案。

3. 环境准备与版本说明

3.1 开发环境一览

本文示例环境如下，具体版本请根据你的项目实际情况调整，重点演示配置思路。

• 操作系统：Windows 10 / 11（Linux 和 macOS 也可以，摄像头调用方式略有不同）；
• Python：3.9 / 3.10 / 3.11；
• 深度学习框架：PyTorch 2.x；
• YOLO 工具包：ultralytics；
• GUI 框架：PySide6；
• 图像处理：opencv-python；
• 条形码解析：pyzbar；
• OCR：PaddleOCR 或 RapidOCR。

不同版本的依赖之间可能存在兼容性问题，例如 Python 3.12 早期对部分库的 wheel 支持不完善，建议优先使用 Python 3.10。

3.2 安装核心依赖

建议先创建虚拟环境，再安装依赖。

conda create -n barcode_yolo python=3.10 -y conda activate barcode_yolo

安装 PyTorch 时，需要根据自己机器是否有 NVIDIA GPU 选择命令。CPU 环境下也可以运行，但推理速度会慢一些。

# GPU 版本（需提前安装 CUDA 驱动，具体命令参考 PyTorch 官网） pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # CPU 版本 pip install torch torchvision

安装其他依赖：

pip install ultralytics pyside6 opencv-python pyzbar paddleocr paddlepaddle

如果 pyzbar 在 Windows 下安装失败，通常是因为缺少 Visual C++ 运行库，或者需要手动安装 ZBar。可以使用下面的命令尝试：

pip install pyzbar

如果 import pyzbar 时提示找不到 libzbar-0.dll，需要前往 ZBar 官网下载 Windows 动态库，并将 DLL 所在目录加入系统 PATH。

3.3 验证安装是否成功

依次运行以下代码，确认环境没有问题：

import torch import ultralytics import cv2 import PySide6 import pyzbar print("torch:", torch.__version__) print("ultralytics:", ultralytics.__version__) print("opencv:", cv2.__version__) print("pyzbar:", pyzbar.__version__ if hasattr(pyzbar, "__version__") else "ok")

如果 PySide6 安装正常，运行下面的代码会弹出一个空白窗口：

import sys from PySide6.QtWidgets import QApplication, QLabel app = QApplication(sys.argv) label = QLabel("PySide6 安装成功") label.show() app.exec()

4. 训练 YOLOv8 模型用于条形码和保质期区域检测

4.1 数据集准备

YOLO 模型需要的数据集包含两部分：图片和标注文件。标注文件是 txt 格式，每一行代表一个目标，格式如下：

class_id x_center y_center width height

其中x_center、y_center、width、height都是相对于图片宽高的归一化值。

标注两个类别：

• 类别 0：barcode（条形码）；
• 类别 1：expiry_date（保质期/生产日期区域）。

建议使用 LabelImg 或 X-AnyLabeling 标注工具。标注时注意以下原则：

• 条形码区域尽量贴合边缘，不要包含过多背景；
• 保质期区域完整框住印刷日期，如果日期被遮挡，建议放弃该样本；
• 收集的数据要覆盖不同光照、不同角度、不同包装材质；
• 每个类别至少准备 500 张以上图片，数量越多、场景越丰富，模型泛化能力越强。

数据集目录结构如下：

datasets/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

data.yaml 内容：

path: datasets train: images/train val: images/val names: 0: barcode 1: expiry_date

4.2 训练模型

使用 ultralytics 训练 YOLOv8 模型非常简单：

from ultralytics import YOLO model = YOLO("yolov8n.pt") results = model.train( data="data.yaml", epochs=100, imgsz=640, batch=16, device="0", workers=4, name="barcode_expiry_yolov8n", patience=20, save_period=10, )

参数说明：

• data：数据集配置文件路径；
• epochs：训练轮数，小数据集可先训练 100 轮观察收敛情况；
• imgsz：输入图片尺寸，一般使用 640，若条形码很小可以尝试 960；
• batch：批大小，根据显存调整；
• device：GPU 编号，CPU 训练时改为"cpu"；
• patience：早停轮数，验证集指标连续多少次不提升就停止训练；
• save_period：每多少个 epoch 保存一次权重。

训练完成后，模型保存在runs/detect/barcode_expiry_yolov8n/weights/best.pt。

4.3 使用 YOLOv5 训练的差异

如果你更倾向于使用 YOLOv5，可以从官方仓库拉取代码：

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

训练命令：

python train.py --data data.yaml --weights yolov5s.pt --img 640 --batch 16 --epochs 100

YOLOv5 和 YOLOv8 的模型文件不能直接互换，但它们输出的检测结果格式是相同的，因此后续的条形码解析和界面代码可以共用。

4.4 模型导出

训练完成后，可以将模型导出为 ONNX 格式，方便后续部署：

from ultralytics import YOLO model = YOLO("runs/detect/barcode_expiry_yolov8n/weights/best.pt") model.export(format="onnx", imgsz=640, simplify=True)

导出后，可以使用 onnxruntime 进行推理，减少 PyTorch 环境依赖，同时提升推理速度。如果项目只是学习演示，直接用 PyTorch 加载也完全可以。

5. 基于 PySide6 的界面开发

5.1 界面功能拆解

桌面应用需要包含以下功能区域：

• 顶部工具栏：打开图片、打开摄像头、开始识别按钮；
• 左侧主显示区：显示原图或摄像头画面，并绘制检测框；
• 右侧信息面板：显示条形码内容、有效期日期、当前状态（正常/临期/过期）；
• 底部状态栏：显示模型推理耗时、当前帧率。

界面布局使用 QVBoxLayout 和 QHBoxLayout 组合实现，不引入 Qt Designer，方便代码维护。

5.2 主窗口框架

# main_window.py import sys from PySide6.QtWidgets import ( QMainWindow, QApplication, QWidget, QLabel, QPushButton, QVBoxLayout, QHBoxLayout, QFileDialog, QMessageBox ) from PySide6.QtCore import Qt from PySide6.QtGui import QImage, QPixmap class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("条形码保质期识别检测系统") self.resize(960, 640) self.init_ui() def init_ui(self): central_widget = QWidget() self.setCentralWidget(central_widget) layout = QHBoxLayout(central_widget) # 左侧显示区 left_widget = QWidget() left_layout = QVBoxLayout(left_widget) self.image_label = QLabel() self.image_label.setAlignment(Qt.AlignCenter) self.image_label.setText("请打开图片或摄像头") self.image_label.setStyleSheet("background-color: #1e1e1e; color: #cccccc;") left_layout.addWidget(self.image_label) btn_layout = QHBoxLayout() self.btn_open_image = QPushButton("打开图片") self.btn_open_camera = QPushButton("打开摄像头") self.btn_start = QPushButton("开始识别") btn_layout.addWidget(self.btn_open_image) btn_layout.addWidget(self.btn_open_camera) btn_layout.addWidget(self.btn_start) left_layout.addLayout(btn_layout) # 右侧信息面板 right_widget = QWidget() right_layout = QVBoxLayout(right_widget) self.info_label = QLabel("检测信息") self.info_label.setAlignment(Qt.AlignTop) self.info_label.setWordWrap(True) right_layout.addWidget(self.info_label) right_layout.addStretch() layout.addWidget(left_widget, stretch=3) layout.addWidget(right_widget, stretch=1) def show_image(self, cv_image): """将 OpenCV 的 BGR 图像转换为 QPixmap 并显示""" rgb_image = cv2.cvtColor(cv_image, cv2.COLOR_BGR2RGB) h, w, ch = rgb_image.shape bytes_per_line = ch * w q_img = QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888) self.image_label.setPixmap(QPixmap.fromImage(q_img).scaled( self.image_label.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation))

5.3 多线程推理避免界面卡顿

模型推理和条形码解析是耗时操作，如果直接放在主线程中执行，界面会卡死。因此需要将检测逻辑放到 QThread 中，通过信号将结果传回主线程。

# detector_thread.py from PySide6.QtCore import QThread, Signal import numpy as np class DetectorThread(QThread): result_ready = Signal(dict) frame_ready = Signal(object) def __init__(self, model, parent=None): super().__init__(parent) self.model = model self.running = True def run(self): while self.running: # 从摄像头读取帧或从队列获取图片 frame = self.get_frame() if frame is None: continue results = self.model.predict(frame, imgsz=640, conf=0.35, verbose=False) # 解析检测结果 boxes = results[0].boxes detections = [] if boxes is not None: for box in boxes: x1, y1, x2, y2 = box.xyxy[0].tolist() conf = float(box.conf[0]) cls_id = int(box.cls[0]) cls_name = self.model.names[cls_id] detections.append({ "bbox": [int(x1), int(y1), int(x2), int(y2)], "conf": conf, "class": cls_name, }) # 绘制结果并发送到界面 annotated_frame = results[0].plot() self.frame_ready.emit(annotated_frame) result_data = { "detections": detections, "barcode": None, "expiry_date": None, } self.result_ready.emit(result_data) def get_frame(self): """需要根据实际输入源实现""" pass

6. 条形码解析与保质期识别

6.1 条形码解析

拿到 YOLO 检测到的条形码区域后，先裁剪出该区域，再交给 pyzbar 解码。需要预先调整图像尺寸和对比度，提高解码成功率。

import cv2 from pyzbar import pyzbar def decode_barcode(img, bbox): x1, y1, x2, y2 = bbox roi = img[y1:y2, x1:x2] if roi.size == 0: return None # 灰度化 + 放大 + 二值化 gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) gray = cv2.resize(gray, None, fx=2.0, fy=2.0, interpolation=cv2.INTER_CUBIC) _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) decoded = pyzbar.decode(thresh) if decoded: return decoded[0].data.decode("utf-8") return None

如果识别失败，可以尝试旋转多个角度再次识别：

def decode_with_rotation(img, bbox): angles = [0, 90, 180, 270] x1, y1, x2, y2 = bbox roi = img[y1:y2, x1:x2] for angle in angles: rotated = roi if angle != 0: h, w = rotated.shape[:2] center = (w // 2, h // 2) matrix = cv2.getRotationMatrix2D(center, angle, 1.0) rotated = cv2.warpAffine(rotated, matrix, (w, h)) gray = cv2.cvtColor(rotated, cv2.COLOR_BGR2GRAY) gray = cv2.resize(gray, None, fx=2.0, fy=2.0) _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) decoded = pyzbar.decode(thresh) if decoded: return decoded[0].data.decode("utf-8") return None

6.2 保质期日期识别

保质期区域内的文本通常是印刷体数字、汉字和标点混合，例如：

• 2025.08.15
• 保质期至：2025/12/31
• 生产日期 20240820
• 有效期至 2026年3月1日

使用 PaddleOCR 识别该区域文本，再通过正则提取日期信息。

import re from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang="ch", show_log=False) def extract_date_from_text(text): # 匹配 2024-08-15、2024/08/15、2024.08.15、2024年08月15日 patterns = [ r"(\d{4})[-/.](\d{1,2})[-/.](\d{1,2})", r"(\d{4})年(\d{1,2})月(\d{1,2})日?", r"(\d{4})(\d{2})(\d{2})", ] for pattern in patterns: match = re.search(pattern, text) if match: groups = match.groups() if len(groups) == 3: year, month, day = groups return f"{year}-{int(month):02d}-{int(day):02d}" return None def recognize_expiry_date(img, bbox): x1, y1, x2, y2 = bbox roi = img[y1:y2, x1:x2] if roi.size == 0: return None # 放大 ROI，提升 OCR 效果 roi = cv2.resize(roi, None, fx=2.0, fy=2.0, interpolation=cv2.INTER_CUBIC) result = ocr.ocr(roi, cls=True) if not result or not result[0]: return None all_text = "" for line in result[0]: text = line[1][0] all_text += text + " " return extract_date_from_text(all_text)

6.3 保质期状态判断

识别出保质期日期后，还需要判断当前商品的状态。这里需要区分两种日期语义：

• 生产日期：需要结合保质期时长计算过期时间；
• 有效期/过期日期：直接与当前日期比较。

业务逻辑建议在系统配置中指定日期语义，避免硬编码。示例代码如下：

from datetime import datetime def judge_status(expiry_date_str, current_date=None): if current_date is None: current_date = datetime.now() try: expiry_date = datetime.strptime(expiry_date_str, "%Y-%m-%d") except ValueError: return "日期格式错误" if expiry_date < current_date: return "已过期" elif (expiry_date - current_date).days <= 30: return "临期" else: return "正常"

7. 完整实战：从图片识别到界面展示

7.1 创建工作目录

barcode_expiry_system/ ├── main.py ├── main_window.py ├── detector_thread.py ├── utils/ │ ├── __init__.py │ ├── barcode_utils.py │ ├── date_utils.py │ └── ocr_utils.py ├── models/ │ └── best.pt └── requirements.txt

7.2 集成所有模块

main.py是整个应用的入口：

# main.py import sys import cv2 from PySide6.QtWidgets import QApplication, QFileDialog, QMessageBox from PySide6.QtCore import Qt from ultralytics import YOLO from main_window import MainWindow from utils.barcode_utils import decode_barcode, decode_with_rotation from utils.ocr_utils import recognize_expiry_date from utils.date_utils import judge_status class BarcodeApp(MainWindow): def __init__(self): super().__init__() self.model = YOLO("models/best.pt") self.current_image = None # 绑定按钮事件 self.btn_open_image.clicked.connect(self.open_image) self.btn_start.clicked.connect(self.start_detect) def open_image(self): file_path, _ = QFileDialog.getOpenFileName( self, "打开图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)" ) if not file_path: return self.current_image = cv2.imread(file_path) if self.current_image is None: QMessageBox.warning(self, "提示", "图片加载失败") return self.show_image(self.current_image) def start_detect(self): if self.current_image is None: QMessageBox.information(self, "提示", "请先打开图片") return # 目标检测 results = self.model.predict( self.current_image, imgsz=640, conf=0.35, verbose=False ) annotated = results[0].plot() self.show_image(annotated) boxes = results[0].boxes if boxes is None: self.info_label.setText("未检测到目标") return barcode_value = None expiry_date = None for box in boxes: x1, y1, x2, y2 = box.xyxy[0].tolist() cls_id = int(box.cls[0]) conf = float(box.conf[0]) cls_name = self.model.names[cls_id] bbox = [int(x1), int(y1), int(x2), int(y2)] if cls_name == "barcode": barcode_value = decode_with_rotation(self.current_image, bbox) elif cls_name == "expiry_date": expiry_date = recognize_expiry_date(self.current_image, bbox) # 更新信息面板 status = judge_status(expiry_date) if expiry_date else "未识别到日期" info_text = f""" 检测结果： 条形码：{barcode_value if barcode_value else "未识别"} 保质期日期：{expiry_date if expiry_date else "未识别"} 商品状态：{status} """ self.info_label.setText(info_text) def main(): app = QApplication(sys.argv) window = BarcodeApp() window.show() sys.exit(app.exec()) if __name__ == "__main__": main()

7.3 运行效果说明

运行python main.py后，点击“打开图片”选择一张包含条形码和保质期的商品图片，再点击“开始识别”，左侧画面会显示 YOLO 绘制的检测框，右侧显示识别出的条形码内容和保质期日期。

如果摄像头识别，只需要在BarcodeApp中增加摄像头初始化逻辑，将每一帧送入start_detect的检测部分即可。需要注意控制推理频率，避免每帧都做模型推理导致界面卡顿，通常可以设置为每隔 3 到 5 帧检测一次。

7.4 使用 YOLOv5 模型时的代码适配

如果使用的是 YOLOv5 训练的模型，代码需要做以下调整：

import torch model = torch.hub.load("ultralytics/yolov5", "custom", path="models/best.pt") results = model(self.current_image) # 结果格式不同，需要转换 detections = results.pandas().xyxy[0] for _, row in detections.iterrows(): x1, y1, x2, y2 = int(row["xmin"]), int(row["ymin"]), int(row["xmax"]), int(row["ymax"]) cls_name = row["name"] conf = row["confidence"]

其他模块可以共用，因为条形码解析和日期识别只依赖边界框坐标。

8. 常见问题与排查思路

8.1 条形码解码失败的排查清单

1. 先单独对裁剪区域做灰度化、放大、二值化，观察条形码是否清晰；
2. 检查条形码是否占满整个 ROI，如果占比太小，pyzbar 可能无法识别；
3. 尝试旋转 90 度、180 度、270 度后再解码；
4. 如果条形码有破损，需要更复杂的修复算法，建议重新采集数据并标注；
5. 检查 pyzbar 支持的码制，某些 CJK 条码需要使用pyzbar.pyzbar.decode(..., symbols=[ZBarSymbol.CODE128])指定码制。

8.2 保质期识别误判的预防

保质期识别错误通常比条形码解码失败更隐蔽，因为 OCR 可能把“2024.08.15”识别成“2024.08.1S”。建议在后处理中增加校验：

• 正则匹配后，验证月份在 1 到 12 之间；
• 验证日期在 1 到 31 之间；
• 对年份做范围判断，例如 2000 到 2100 之间；
• 如果置信度低，宁可标记为“待人工确认”，也不要输出错误日期。

可以在extract_date_from_text中增加校验逻辑：

def is_valid_date(year, month, day): try: datetime(int(year), int(month), int(day)) return True except ValueError: return False

9. 最佳实践与工程建议

9.1 数据集与训练建议

• 标注数据时，不要只收集“好看”的图片。要把反光、倾斜、遮挡、模糊的样本都纳入训练集，模型才能学到真正的鲁棒特征；
• 条形码和日期区域检测是两个难度不同的任务。如果其中一个类别数据量明显不足，会拖累另一个类别的训练效果，可以通过cls损失权重或者单独训练两个模型缓解；
• 训练时开启数据增强。YOLOv8 默认支持 Mosaic、MixUp 等增强，但在条形码这类纹理密集的物体上，Mosaic 可能会导致条形码纹理断裂，必要时可以关闭 Mosaic：

  model.train(..., mosaic=0.5)

• 如果部署设备性能有限，优先使用 YOLOv8n 或 YOLOv5s，再考虑蒸馏和量化。

9.2 工程化建议

• 系统中所有配置项（模型路径、置信度阈值、摄像头编号、日期语义）都放进配置文件，不要硬编码在代码中；
• 日期解析逻辑需要单独抽离成模块，方便单元测试；
• 使用try-except包裹条形码解码和 OCR 调用，防止异常导致程序退出；
• 记录日志时，可以输出每张图片的检测结果、耗时和置信度，便于复盘识别失败原因；
• 对识别失败的样本做文件夹留存，定期补充进训练集，形成数据闭环；
• 如果需要在生产环境长期运行，考虑将模型推理服务化，PySide6 只做前端展示，通过 HTTP 或 gRPC 调用推理接口。

9.3 性能优化

• 使用 ONNX Runtime 替代 PyTorch 推理，可以减少内存占用并提升推理速度；
• 摄像头场景下，不一定要每帧都推理。可以在检测线程中判断当前帧与上一帧的画面差异，变化较大时才重新检测；
• 将 PaddleOCR 初始化为全局单例，避免每次识别都重新加载模型；
• 如果只是做条形码识别，不需要 YOLO 检测，可以使用 OpenCV 的barcode_barcode接口，但其定位能力较弱，适合背景干净的场景。

10. 总结与学习路线

本文实现了一套完整的条形码保质期识别检测系统，核心思路是先使用 YOLOv8 或 YOLOv5 训练目标检测模型，定位条形码和保质期文本区域，然后通过 pyzbar 解析条形码、PaddleOCR 结合正则解析日期，最后用 PySide6 封装成桌面应用。

如果要从零开始动手练习，可以按照以下路线逐步推进：

1. 先准备 100 张左右带有条形码的图片，手动标注并训练一个只检测条形码的 YOLOv8 模型；
2. 用 pyzbar 解析模型输出的条形码区域，体会目标检测和图像处理模块的配合；
3. 在此基础上增加保质期类别，标注包装日期区域，训练两类别模型；
4. 最后把代码整理成 PySide6 界面，加入多线程逻辑，完成桌面应用。

整个系统的核心难点不在模型结构，而在于数据质量、业务逻辑的边界处理以及多模块的工程整合。建议在动手时，先从最小可行版本开始，逐步增加场景覆盖，才能在实际项目中稳定落地。如果本文对你有帮助，顺手点个收藏，后续我会继续更新 YOLOv8 训练技巧和 PySide6 实战相关的内容。