yolo算法python代码_python通过yolo算法识别图片中的对象
1 场景
YOLO全称You Only Look Once,YOLO实现了自动驾驶汽车等前沿技术中使用的实时对象检测。
可以实现对图像中的对象进行识别和定位,如下效果:
1.png
这里不研究算法,只研究,在python环境下,如何使用yolo进行图像中物体的识别和定位。
2 官网
2.1 官方地址
YOLO使用相关网站如下:
github地址:
2.2 百度网盘
如下为作者在百度网盘中备份的相关文件(配置文件+演示文件):
3 版本
python:3.6.3
4 依赖
(1)安装cv2依赖
pip install opencv-python
(2)安装numpy依赖
pip install numpy
4 代码
4.1 准备
(1)创建yolo配置文件
创建配置文件夹:cfg
将配置文件下载后,拷贝到cfg配置文件中:
(2)创建测试文件夹
测试文件夹:yoloSrc
输出文件夹:yoloRes
4.2 引入依赖
import cv2
import numpy as np
import os
import time
4.3 定义函数
def yolo_detect(pathIn='',
pathOut=None,
label_path='cfg/coco.names',
config_path='cfg/yolov3.cfg',
weights_path='cfg/yolov3.weights',
confidence_thre=0.5,
nms_thre=0.3,
jpg_quality=80):
'''
pathIn:原始图片的路径
pathOut:结果图片的路径
label_path:类别标签文件的路径
config_path:模型配置文件的路径
weights_path:模型权重文件的路径
confidence_thre:0-1,置信度(概率/打分)阈值,即保留概率大于这个值的边界框,默认为0.5
nms_thre:非极大值抑制的阈值,默认为0.3
jpg_quality:设定输出图片的质量,范围为0到100,默认为80,越大质量越好
'''
# 加载类别标签文件
LABELS = open(label_path).read().strip().split("\n")
nclass = len(LABELS)
# 为每个类别的边界框随机匹配相应颜色
np.random.seed(42)
COLORS = np.random.randint(0, 255, size=(nclass, 3), dtype='uint8')
# 载入图片并获取其维度
base_path = os.path.basename(pathIn)
img = cv2.imread(pathIn)
(H, W) = img.shape[:2]
# 加载模型配置和权重文件
print('从硬盘加载YOLO......')
net = cv2.dnn.readNetFromDarknet(config_path, weights_path)
# 获取YOLO输出层的名字
ln = net.getLayerNames()
ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]
# 将图片构建成一个blob,设置图片尺寸,然后执行一次
# YOLO前馈网络计算,最终获取边界框和相应概率
blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (416, 416), swapRB=True, crop=False)
net.setInput(blob)
start = time.time()
layerOutputs = net.forward(ln)
end = time.time()
# 显示预测所花费时间
print('YOLO模型花费 {:.2f} 秒来预测一张图片'.format(end - start))
# 初始化边界框,置信度(概率)以及类别
boxes = []
confidences = []
classIDs = []
# 迭代每个输出层,总共三个
for output in layerOutputs:
# 迭代每个检测
for detection in output:
# 提取类别ID和置信度
scores = detection[5:]
classID = np.argmax(scores)
confidence = scores[classID]
# 只保留置信度大于某值的边界框
if confidence > confidence_thre:
# 将边界框的坐标还原至与原图片相匹配,记住YOLO返回的是
# 边界框的中心坐标以及边界框的宽度和高度
box = detection[0:4] * np.array([W, H, W, H])
(centerX, centerY, width, height) = box.astype("int")
# 计算边界框的左上角位置
x = int(centerX - (width / 2))
y = int(centerY - (height / 2))
# 更新边界框,置信度(概率)以及类别
boxes.append([x, y, int(width), int(height)])
confidences.append(float(confidence))
classIDs.append(classID)
# 使用非极大值抑制方法抑制弱、重叠边界框
idxs = cv2.dnn.NMSBoxes(boxes, confidences, confidence_thre, nms_thre)
# 确保至少一个边界框
if len(idxs) > 0:
# 迭代每个边界框
for i in idxs.flatten():
# 提取边界框的坐标
(x, y) = (boxes[i][0], boxes[i][1])
(w, h) = (boxes[i][2], boxes[i][3])
# 绘制边界框以及在左上角添加类别标签和置信度
color = [int(c) for c in COLORS[classIDs[i]]]
cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
text = '{}: {:.3f}'.format(LABELS[classIDs[i]], confidences[i])
(text_w, text_h), baseline = cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 2)
cv2.rectangle(img, (x, y - text_h - baseline), (x + text_w, y), color, -1)
cv2.putText(img, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 2)
# 输出结果图片
if pathOut is None:
cv2.imwrite('with_box_' + base_path, img, [int(cv2.IMWRITE_JPEG_QUALITY), jpg_quality])
else:
cv2.imwrite(pathOut, img, [int(cv2.IMWRITE_JPEG_QUALITY), jpg_quality])
4.4 使用
if __name__ == '__main__':
yolo_detect('yoloSrc/trunk.jpg', 'yoloRes/trunk.jpg')
4.5 结果
输出日志:
从硬盘加载YOLO......
YOLO模型花费 1.75 秒来预测一张图片
(1)原文件
trunk.jpg
(2)输出结果
监测结果为truck,后面的0.999为对象匹配度。
trunk-2.jpg
yolo算法python代码_python通过yolo算法识别图片中的对象相关推荐
- 谱聚类python代码_Python 谱聚类算法从零开始
谱聚类算法是一种常用的无监督机器学习算法,其性能优于其他聚类方法. 此外,谱聚类实现起来非常简单,并且可以通过标准线性代数方法有效地求解. 在谱聚类算法中,根据数据点之间的相似性而不是k-均值中的绝对 ...
- 中文分词算法python代码_python实现中文分词FMM算法实例
本文实例讲述了python实现中文分词FMM算法.分享给大家供大家参考.具体分析如下: FMM算法的最简单思想是使用贪心算法向前找n个,如果这n个组成的词在词典中出现,就ok,如果没有出现,那么找n- ...
- 随机森林分类算法python代码_Python机器学习笔记:随机森林算法
随机森林算法的理论知识 随机森林是一种有监督学习算法,是以决策树为基学习器的集成学习算法.随机森林非常简单,易于实现,计算开销也很小,但是它在分类和回归上表现出非常惊人的性能,因此,随机森林被誉为&q ...
- knn算法python代码_K-最近邻分类算法(KNN)及python实现
一.引入 问题:确定绿色圆是属于红色三角形.还是蓝色正方形? KNN的思想: 从上图中我们可以看到,图中的数据集是良好的数据,即都打好了label,一类是蓝色的正方形,一类是红色的三角形,那个绿色的圆 ...
- 中文分词算法python代码_中文分词算法之最大正向匹配算法(Python版)
最大匹配算法是自然语言处理中的中文匹配算法中最基础的算法,分为正向和逆向,原理都是一样的. 正向最大匹配算法,故名思意,从左向右扫描寻找词的最大匹配. 首先我们可以规定一个词的最大长度,每次扫描的时候 ...
- apriori算法python代码_通俗易懂Apriori算法及Python实现
本篇分为三个部分: 一.算法背景 啤酒与尿布故事: 某超市为增加销售量,提取出了他们超市所有的销售记录进行分析.在对这些小票数据进行分析时,发现男性顾客在购买婴儿尿片时,通常会顺便搭配带打啤酒来犒劳自 ...
- 人工鱼群算法python代码_人工鱼群算法python_鱼群算法 - Brillou的个人空间 - OSCHINA - 中文开源技术交流社区......
本算法是参照李晓磊博士的论文实现的,详细的算法原理可阅读<一种新型的智能优化方法_人工鱼群算法_李晓磊> 算法基于鱼群的生存行为:在一片水域中,鱼存在的数目最多的地方就是本水域中富含营养物 ...
- slope one 推荐算法python 代码_协同推荐算法实践之Slope One的介绍(转)
Slope One 之一 : 简单高效的协同过滤算法(转)(
- 多元线性回归算法python实现_手写算法-Python代码推广多元线性回归
1.梯度下降-矩阵形式 上篇文章介绍了一元线性回归,包括Python实现和sklearn实现的实例.对比,以及一些问题点,详情可以看这里: 链接: 手写算法-Python代码实现一元线性回归 里面封装 ...
- 手写算法-python代码实现Ridge(L2正则项)回归
手写算法-python代码实现Ridge回归 Ridge简介 Ridge回归分析与python代码实现 方法一:梯度下降法求解Ridge回归参数 方法二:标准方程法实现Ridge回归 调用sklear ...
最新文章
- 最优的去重处理——HashSet去重
- 解决Android 7.0 App内切换语言不生效的问题
- FileZilla Server安装配置教程
- 关于VS项目平台的x86,x64,Any CPU以及Debug和Release
- 【NLP】Pytorch中文语言模型bert预训练代码
- Spring boot(九):定时任务
- 详解ASP.NET页面生命周期事件
- win10推荐的锁屏壁纸该怎么保存 win10休眠锁屏壁纸保存
- ASP.NET Core 入门教程 6、ASP.NET Core MVC 视图布局入门 1
- 苹果8黑屏无法强制开机_iphonexsmax死机黑屏,iphonexsmax无法开机
- Hive入门学习随笔(二)
- 证券行业信息技术规范
- Linux驱动开发: FrameBuffe(LCD)驱动开发
- 44、Search contract
- python图片自动上色_自己实现黑白图片自动上色AI(一)
- Unity 制作数字图片字体
- 国外LEAD域名邮箱获取途径
- 2020 China Collegiate Programming Contest Weihai Site H.Message Bomb
- 用java做出聊天工具
- 编码时需要注意的地方
热门文章
- 基于51单片机的交通灯控制设计
- yum install gcc报错Error: Package: glibc-2.17-260.el7_6.6.i686 (updates) Requires: glibc-common = 2.17
- 恒定湿热试验条件及标准-环境试验中的湿热试验报告
- c语言专家编程,读书笔记
- 从刷卡到二维码再到刷脸,无现金方式如何掀起支付革命?丨Xtecher 视角
- 《学习之道》第十章学习方法28再次提到番茄时间
- mac 安装Xshell4
- mysql数据库url正确的是_下面关于连接mysql下的mydb数据库的url,编写正确的是()...
- plsql 备份还原 教程_PLSQL导出还原数据库
- 候鸟浏览器cookie登录教程