汕头住房与城乡建设网站,做网站起什么名字好呢,网站设计的公司选哪家,网站要素#x1f996;yolov8训练出来的模型#xff0c;不使用detect.py代码进行模型测试#x1f996; pt格式模型测试
import cv2
import os
from ultralytics import YOLO
# 定义输入和输出文件夹路径
input_folder /input/folder # 输入文件夹
output_folder /output/folder … yolov8训练出来的模型不使用detect.py代码进行模型测试 pt格式模型测试
import cv2
import os
from ultralytics import YOLO
# 定义输入和输出文件夹路径
input_folder /input/folder # 输入文件夹
output_folder /output/folder # 输出文件夹
# 确认输出文件夹存在
if not os.path.exists(output_folder):os.makedirs(output_folder)
# 加载YOLO模型
model YOLO(yolov8.pt)
# 遍历输入文件夹中的所有文件
for filename in os.listdir(input_folder):# 仅处理图片文件确保扩展名为 .jpg, .png 等if filename.endswith((.jpg, .png,.bmp)):# 加载图像image_path os.path.join(input_folder, filename)image cv2.imread(image_path)if image is None:print(f图像加载失败: {image_path})continue# 进行预测results model(image,device1)# 获取结果中的标注信息annotated_frame results[0].plot() # 将检测结果绘制在图像上# 保存结果图像到输出文件夹save_path os.path.join(output_folder, fresult_{filename})save_status cv2.imwrite(save_path, annotated_frame)if save_status:print(f检测结果保存到: {save_path})else:print(f保存图像失败: {save_path})
onnx模型测试结果
import cv2
import os
import onnxruntime as ort
import numpy as np
# 定义输入和输出文件夹路径
input_folder /input/folder # 输入文件夹
output_folder /output/folder # 输出文件夹
# 确认输出文件夹存在
if not os.path.exists(output_folder):os.makedirs(output_folder)
# 加载 ONNX 模型
onnx_model_path yolov8.onnx
session ort.InferenceSession(onnx_model_path, providers[CUDAExecutionProvider])
# 设置模型输入的尺寸
input_width, input_height 640, 640 # 根据模型的输入尺寸
# 遍历输入文件夹中的所有文件
for filename in os.listdir(input_folder):# 仅处理图片文件确保扩展名为 .jpg, .png 等if filename.endswith((.jpg, .png, .bmp)):# 加载图像image_path os.path.join(input_folder, filename)image cv2.imread(image_path)if image is None:print(f图像加载失败: {image_path})continue# 调整图像大小并进行预处理input_image cv2.resize(image, (input_width, input_height))input_image cv2.cvtColor(input_image, cv2.COLOR_BGR2RGB)blob np.expand_dims(input_image.astype(np.float32) / 255.0, axis0).transpose(0, 3, 1, 2)# 设置输入input_name session.get_inputs()[0].nameoutputs session.run(None, {input_name: blob})# 解析预测结果并绘制检测框for detection in outputs[0][0]: # 根据模型的输出格式解析score float(detection[4]) # 假设第5个值是置信度if score 0.5: # 置信度阈值取决于具体任务x_center, y_center, width, height detection[:4]left int((x_center - width / 2) * image.shape[1])top int((y_center - height / 2) * image.shape[0])right int((x_center width / 2) * image.shape[1])bottom int((y_center height / 2) * image.shape[0])# 绘制检测框cv2.rectangle(image, (left, top), (right, bottom), (0, 255, 0), 2)label f{score:.2f}cv2.putText(image, label, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)# 保存结果图像到输出文件夹save_path os.path.join(output_folder, fresult_{filename})save_status cv2.imwrite(save_path, image)if save_status:print(f检测结果保存到: {save_path})else:print(f保存图像失败: {save_path})
