目标检测——使用yolov6调用本地摄像头进行实时检测

yolov6源码自带了图片目标检测推理功能；
当我们想进行摄像头实时检测识别的时候会有点不方便，根据源码的图片目标检测推理功能，我们进行稍作调整即可进行调用本地摄像头进行目标检测推理功能。

首先在源码文件路径 tools/infer.py 打开infer.py文件，如下图所示：

在infer.py文件第22行修改如下内容：

#source 如果是要根据单独图片进行识别可以输入图片的路径或者图片文件夹的路径; 如果是要根据摄像头实时识别则输入 0
parser.add_argument('--source', type=str, default='0', help='the source path, 0, e.g. image-file/dir/camera.')

在infer.py文件第100行修改如下内容：

    if source != '0':if save_txt or save_img:LOGGER.info(f"Results saved to {save_dir}")

其次在源码文件路径 yolov6/inferer.py 打开inferer.py文件，新增以及修改内容如下所示：

在 inferer.py文件第34行增加如下内容：

self.camera = source

在 inferer.py文件第45行 #Load data到 def infer函数之前的内容修改成如下内容：

        # open cameraif self.camera == '0':passelse:# Load dataif os.path.isdir(source):img_paths = sorted(glob.glob(os.path.join(source, '*.*')))  # direlif os.path.isfile(source):img_paths = [source]  # fileselse:raise Exception(f'Invalid path: {source}')self.img_paths = [img_path for img_path in img_paths if img_path.split('.')[-1].lower() in IMG_FORMATS]

在 inferer.py文件第58行def infer函数整个更改为如下图所示的内容：

    def infer(self, conf_thres, iou_thres, classes, agnostic_nms, max_det, save_dir, save_txt, save_img, hide_labels, hide_conf):''' Model Inference and results visualization '''if self.camera == '0':print("开始调用摄像头...")cap = cv2.VideoCapture(0)while True:f, img_src = cap.read()image = letterbox(img_src, self.img_size, stride=self.stride)[0]txt_path = osp.join(save_dir, 'labels', osp.splitext(osp.basename(img_path))[0])# Convertimage = image.transpose((2, 0, 1))[::-1]  # HWC to CHW, BGR to RGBimage = torch.from_numpy(np.ascontiguousarray(image))image = image.half() if self.half else image.float()  # uint8 to fp16/32image /= 255  # 0 - 255 to 0.0 - 1.0img = imageimg = img.to(self.device)if len(img.shape) == 3:img = img[None]# expand for batch dimpred_results = self.model(img)det = non_max_suppression(pred_results, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)[0]gn = torch.tensor(img_src.shape)[[1, 0, 1, 0]]  # normalization gain whwhimg_ori = img_src# check image and fontassert img_ori.data.contiguous, 'Image needs to be contiguous. Please apply to input images with np.ascontiguousarray(im).'self.font_check()if len(det):det[:, :4] = self.rescale(img.shape[2:], det[:, :4], img_src.shape).round()for *xyxy, conf, cls in reversed(det):class_num = int(cls)  # integer classlabel = None if hide_labels else (self.class_names[class_num] if hide_conf else f'{self.class_names[class_num]} {conf:.2f}')self.plot_box_and_label(img_ori, max(round(sum(img_ori.shape) / 2 * 0.003), 2), xyxy, label, color=self.generate_colors(class_num, True))img_src = np.asarray(img_ori)cv2.namedWindow('test', cv2.WINDOW_AUTOSIZE)     # 窗口设置为自动调节大小cv2.imshow('test', img_src)if cv2.waitKey(1) & 0xFF == ord('q'):       # 按q退出breakcap.release()   # 释放摄像头cv2.destroyAllWindows()  # 结束所有窗口                else:for img_path in tqdm(self.img_paths):img, img_src = self.precess_image(img_path, self.img_size, self.stride, self.half)img = img.to(self.device)if len(img.shape) == 3:img = img[None]# expand for batch dimpred_results = self.model(img)det = non_max_suppression(pred_results, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)[0]save_path = osp.join(save_dir, osp.basename(img_path))  # im.jpgtxt_path = osp.join(save_dir, 'labels', osp.splitext(osp.basename(img_path))[0])gn = torch.tensor(img_src.shape)[[1, 0, 1, 0]]  # normalization gain whwhimg_ori = img_src# check image and fontassert img_ori.data.contiguous, 'Image needs to be contiguous. Please apply to input images with np.ascontiguousarray(im).'self.font_check()if len(det):det[:, :4] = self.rescale(img.shape[2:], det[:, :4], img_src.shape).round()for *xyxy, conf, cls in reversed(det):if save_txt:  # Write to filexywh = (self.box_convert(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()  # normalized xywhline = (cls, *xywh, conf)with open(txt_path + '.txt', 'a') as f:f.write(('%g ' * len(line)).rstrip() % line + '\n')if save_img:class_num = int(cls)  # integer classlabel = None if hide_labels else (self.class_names[class_num] if hide_conf else f'{self.class_names[class_num]} {conf:.2f}')self.plot_box_and_label(img_ori, max(round(sum(img_ori.shape) / 2 * 0.003), 2), xyxy, label, color=self.generate_colors(class_num, True))img_src = np.asarray(img_ori)# Save results (image with detections)if save_img:cv2.imwrite(save_path, img_src)

做完上述所有的修改后，回到 tools/infer.py 运行infer.py文件，识别结果如下图所示：

目标检测——使用yolov6调用本地摄像头进行实时检测相关推荐

人工智能Java SDK：读取本地摄像头，实时检测人脸
人脸检测人脸识别技术目前已经广泛应用于包括人脸门禁系统.刷脸支付等各行各业.随着人脸识别技术的提升,应用越来越广泛.目前中国的人脸识别技术已经在世界水平上处于领先地位,在安防行业,国内主流安防厂家 ...
Web网页调用本地摄像头、实时获取图片
PC端Web网页跳用本地摄像头,实时获取图片.(注意事项:如果是本地localhost可直接调用,挂到服务器必须使用https访问) 仅测试了google浏览器,运行代码,会跳出摄像头授权,请按&qu ...
opencv图片倾斜度检测（二）利用摄像头进行实时检测图片中物体并画出坐标轴和倾斜度
是在检测图片的基础上进行加工的详情可看opencv图片倾斜度检(一)对图片进行检测打开摄像头进行实时检测矩形轮廓,实时画出坐标轴坐标点和倾斜度,并且具有保存图片和利用plot单纯画出矩形的功能直 ...
ROS调用本地摄像头数据并在rviz里显示
ROS调用本地摄像头数据并在rviz里显示: 1 通过usb_cam驱动包启动摄像头 1.1 创建并编译usb_cam驱动程序 1.2 启动usb_cam_node节点 1.3 在rviz中显示本地摄 ...
vue调用本地摄像头实现拍照
前言: vue调用本地摄像头实现拍照功能,由于调用摄像头有使用权限,只能在本地运行,线上需用https域名才可以使用. 实现效果: 1.摄像头效果: 2.拍照效果: 实现代码: <templat ...
OpenCV调用手机摄像头与人脸检测
文章目录一.OpenCV机器视觉环境搭建 1. OpenCV下载 2. OpenCV安装 3. 安装测试二.OpenCV调用摄像头及人脸检测 1. 调用电脑摄像头 2. 调用手机摄像头及人脸检测 ...
js调用本地摄像头拍照截图，提交后台
今天有个需求,需要在前端界面调用本地摄像头,然后拍照结束后可以截取预览,最后将结果提交到后台.查了网上很多的插件,发现适合的非常少,于是决定自己修改一个. 这里我修改了一个jquery插件,把摄像头拍 ...
JS调用本地摄像头拍照（兼容各大浏览器及IE8+）
最近做的项目遇到了个难题,使用video+canvas+getUserMedia()写的调用本地摄像头拍照不兼容IE. 原因:IE8及以下不支持HTML5标签:video和canvas:IE11及以下 ...
摄像头虚拟服务器页面,虚拟云服务器能调用本地摄像头
虚拟云服务器能调用本地摄像头内容精选换一换虚拟IP(Virtual IP Address,简称VIP)是一个未分配给真实弹性云服务器网卡的IP地址.弹性云服务器除了拥有私有IP地址外,还可以拥有 ...

目标检测——使用yolov6调用本地摄像头进行实时检测

目标检测——使用yolov6调用本地摄像头进行实时检测相关推荐

最新文章

热门文章