网站备案成功后怎么弄,河南省建设工程中标信息网,营销型网站应用,自媒体平台怎么注册目录
代码分析
1. YOLO 模型加载
2. 视频加载与初始化
3. 视频帧处理
4. 物体检测
5. 处理检测结果
6. 边界框和类别显示
7. 帧率#xff08;FPS#xff09;计算
8. 结果显示与退出
9. 资源释放
整体代码
效果展示
总结 代码分析
这段代码使用 YOLO#xff08…
目录
代码分析
1. YOLO 模型加载
2. 视频加载与初始化
3. 视频帧处理
4. 物体检测
5. 处理检测结果
6. 边界框和类别显示
7. 帧率FPS计算
8. 结果显示与退出
9. 资源释放
整体代码
效果展示
总结 代码分析
这段代码使用 YOLOYou Only Look Once模型进行视频中的物体检测并通过 OpenCV 显示检测结果。以下是代码的详细分析
1. YOLO 模型加载 net cv2.dnn.readNet(../../needFiles/yolov3.weights, ../../needFiles/yolov3.cfg)这行代码加载了预先训练的 YOLOv3 模型的权重文件yolov3.weights和配置文件yolov3.cfg。YOLOv3 是一个实时物体检测模型能够检测多个类别的物体。 layer_names net.getLayerNames()
output_layers [layer_names[i - 1] for i in net.getUnconnectedOutLayers()]getLayerNames() 获取网络的所有层名称。getUnconnectedOutLayers() 返回网络输出层的索引通常是 YOLO 的 3 个输出层通过索引列表获取这些输出层的名称用于后面的 forward 方法中。
2. 视频加载与初始化 video_path D:/Dji/DJIneo.mp4
cap cv2.VideoCapture(video_path)使用 cv2.VideoCapture 来加载视频文件。如果视频路径正确cap 将用于逐帧读取视频。 resize_scale 0.3定义缩放比例为 0.3用于后续缩小显示尺寸以减少计算量。 prev_time 0初始化变量 prev_time用于计算帧率FPSFrames Per Second。
3. 视频帧处理 while True:ret, frame cap.read()if not ret:break逐帧读取视频内容cap.read() 返回两个值ret 是布尔值表示是否成功读取frame 是当前帧图像。如果无法读取如视频结束则退出循环。 frame_resized cv2.resize(frame, (0, 0), fxresize_scale, fyresize_scale)当前帧 frame 被缩小到原来的 30%通过 resize_scale用于加快后续处理。
4. 物体检测 blob cv2.dnn.blobFromImage(frame_resized, 0.00392, (416, 416), (0, 0, 0), True, cropFalse)
net.setInput(blob)
outs net.forward(output_layers)YOLO 模型需要特定格式的输入。blobFromImage 将图像转换为 YOLO 需要的 4D blob归一化比例为 0.00392图像大小调整为 (416, 416)。net.setInput(blob) 将处理后的 blob 输入到网络net.forward(output_layers) 得到检测结果。
5. 处理检测结果 class_ids []
confidences []
boxes []初始化三个列表class_ids 用于存储检测到的物体类别confidences 存储每个物体的置信度boxes 存储边界框的坐标。 for out in outs:for detection in out:scores detection[5:]class_id np.argmax(scores)confidence scores[class_id]if confidence 0.5:...遍历 YOLO 输出的 outs每个 detection 包含检测到的一个物体的信息。检测结果中的前 4 个值是物体的位置信息后面的值是类别的置信度。np.argmax(scores) 找出置信度最高的类别confidence 存储该类别的置信度。如果置信度超过 0.5则认为该物体被成功检测。
6. 边界框和类别显示 indexes cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
for i in indexes.flatten():x, y, w, h boxes[i]label str(class_ids[i])cv2.rectangle(frame_resized, (x, y), (x w, y h), (0, 255, 0), 2)cv2.putText(frame_resized, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)使用非极大值抑制NMSNon-Maximum Suppression去除重叠的边界框减少冗余检测结果。然后遍历保留下来的边界框在图像上绘制矩形框和类别标签。
7. 帧率FPS计算 current_time time.time()
fps 1 / (current_time - prev_time)
prev_time current_time
cv2.putText(frame_resized, fFPS: {int(fps)}, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)通过计算两帧之间的时间差实时计算并显示 FPS以评估模型的运行效率。
8. 结果显示与退出 cv2.imshow(Object Detection, frame_resized)
if cv2.waitKey(1) 0xFF ord(q):break使用 imshow 显示检测结果按 q 键退出循环。
9. 资源释放 cap.release()
cv2.destroyAllWindows()释放视频资源并关闭所有窗口。 整体代码
import cv2
import numpy as np
import time# 加载 YOLO 模型
net cv2.dnn.readNet(../../needFiles/yolov3.weights, ../../needFiles/yolov3.cfg)
layer_names net.getLayerNames()
output_layers [layer_names[i - 1] for i in net.getUnconnectedOutLayers()] # 修正索引问题# 加载视频
video_path D:/Dji/DJIneo.mp4
cap cv2.VideoCapture(video_path)# 缩小显示尺寸
resize_scale 0.3# 初始化时间和帧计数器
prev_time 0# 处理视频的每一帧
while True:ret, frame cap.read()if not ret:break# 缩小当前帧frame_resized cv2.resize(frame, (0, 0), fxresize_scale, fyresize_scale)# 检测对象blob cv2.dnn.blobFromImage(frame_resized, 0.00392, (416, 416), (0, 0, 0), True, cropFalse)net.setInput(blob)outs net.forward(output_layers)# 处理检测结果class_ids []confidences []boxes []for out in outs:for detection in out:scores detection[5:]class_id np.argmax(scores)confidence scores[class_id]if confidence 0.5: # 置信度阈值center_x int(detection[0] * frame_resized.shape[1])center_y int(detection[1] * frame_resized.shape[0])w int(detection[2] * frame_resized.shape[1])h int(detection[3] * frame_resized.shape[0])x int(center_x - w / 2)y int(center_y - h / 2)boxes.append([x, y, w, h])confidences.append(float(confidence))class_ids.append(class_id)# 应用非极大抑制来去除冗余框indexes cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)for i in indexes.flatten(): # 展平索引x, y, w, h boxes[i]label str(class_ids[i])cv2.rectangle(frame_resized, (x, y), (x w, y h), (0, 255, 0), 2)cv2.putText(frame_resized, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)# 计算 FPScurrent_time time.time()fps 1 / (current_time - prev_time)prev_time current_time# 显示 FPScv2.putText(frame_resized, fFPS: {int(fps)}, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2)# 显示结果cv2.imshow(Object Detection, frame_resized)# 按 q 键退出if cv2.waitKey(1) 0xFF ord(q):break# 释放资源
cap.release()
cv2.destroyAllWindows()效果展示 YOLOV3实现目标识别 总结
这呃不总结了
