yolov3检测和平精英视频中人物及物体【附源码+数据】

一、实现效果与数据下载链接

视频识别效果，链接如下：
https://www.bilibili.com/video/BV1fa4y1p7eg

数据下载链接：https://pan.baidu.com/s/1nm72db7e9GbBR-vQ5bWNAg
提取码：cng5
–>解压后

二、相应代码

video_detection.py

import numpy as np
import cv2
import os
import time
import matplotlib.pyplot as plt
import randomplt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号# 参数
yolo_dir = r'D:\python_project_file\video_recognition\yolov3\data'  # YOLO文件路径
CONFIDENCE = 0.5  # 过滤弱检测的最小概率
THRESHOLD = 0.4  # 非最大值抑制阈值def yolov3_vedio(img, yolo_dir, CONFIDENCE, THRESHOLD):weightsPath = os.path.join(yolo_dir, 'yolov3.weights')  # 权重文件configPath = os.path.join(yolo_dir, 'yolov3.cfg')  # 配置文件labelsPath = os.path.join(yolo_dir, 'coco.names')  # label名称# 加载网络、配置权重net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)  # 利用下载的文件print("[INFO] loading YOLO from disk...")  # 可以打印下信息blobImg = cv2.dnn.blobFromImage(img, 1.0 / 255.0, (416, 416), None, True,False)  # net需要的输入是blob格式的，用blobFromImage这个函数来转格式net.setInput(blobImg)  # 调用setInput函数将图片送入输入层# 获取网络输出层信息（所有输出层的名字），设定并前向传播outInfo = net.getUnconnectedOutLayersNames()  # 前面的yolov3架构也讲了，yolo在每个scale都有输出，outInfo是每个scale的名字信息，供net.forward使用start = time.time()layerOutputs = net.forward(outInfo)  # 得到各个输出层的、各个检测框等信息，是二维结构。end = time.time()print("[INFO] YOLO took {:.6f} seconds".format(end - start))  # 可以打印下信息# 拿到图片尺寸(H, W) = img.shape[:2]# 过滤layerOutputs# layerOutputs的第1维的元素内容: [center_x, center_y, width, height, objectness, N-class score data]# 过滤后的结果放入：boxes = []  # 所有边界框（各层结果放一起）confidences = []  # 所有置信度classIDs = []  # 所有分类ID# 1）过滤掉置信度低的框框for out in layerOutputs:  # 各个输出层for detection in out:  # 各个框框# 拿到置信度scores = detection[5:]  # 各个类别的置信度classID = np.argmax(scores)  # 最高置信度的id即为分类idconfidence = scores[classID]  # 拿到置信度# 根据置信度筛查if confidence > CONFIDENCE:box = detection[0:4] * np.array([W, H, W, H])  # 将边界框放会图片尺寸(centerX, centerY, width, height) = box.astype("int")x = int(centerX - (width / 2))y = int(centerY - (height / 2))boxes.append([x, y, int(width), int(height)])confidences.append(float(confidence))classIDs.append(classID)# 2）应用非最大值抑制(non-maxima suppression，nms)进一步筛掉idxs = cv2.dnn.NMSBoxes(boxes, confidences, CONFIDENCE, THRESHOLD)  # boxes中，保留的box的索引index存入idxs# 得到labels列表with open(labelsPath, 'rt') as f:labels = f.read().rstrip('\n').split('\n')# 应用检测结果np.random.seed(42)COLORS = np.random.randint(0, 255, size=(len(labels), 3),dtype="uint8")  # 框框显示颜色，每一类有不同的颜色，每种颜色都是由RGB三个值组成的，所以size为(len(labels), 3)if len(idxs) > 0:for i in idxs.flatten():  # indxs是二维的，第0维是输出层，所以这里把它展平成1维(x, y) = (boxes[i][0], boxes[i][1])(w, h) = (boxes[i][2], boxes[i][3])color = [int(c) for c in COLORS[classIDs[i]]]cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)  # 线条粗细为2pxtext = "{}: {:.4f}".format(labels[classIDs[i]], confidences[i])print("[INFO] predect result is: ", text)(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)  # cv.FONT_HERSHEY_SIMPLEX字体风格、0.5字体大小、粗细2pxreturn img# 视频路径
video_path = r"D:\python_project_file\video_recognition\yolov3\data\video\test_video.mp4"
# 读取视频
videoCapture = cv2.VideoCapture(video_path)# 获取视频的帧率（FPS,pictures per second）
fps = videoCapture.get(cv2.CAP_PROP_FPS)# 获取视频的帧宽（frame width）和帧高（frame height）size = (int(videoCapture.get(cv2.CAP_PROP_FRAME_WIDTH)), int(videoCapture.get(cv2.CAP_PROP_FRAME_HEIGHT)))
# 为了保存视频，要先指定FourCC编码，该编码可从fourcc.org查到
fourcc = cv2.VideoWriter_fourcc('X', 'V', 'I', 'D')# 创建一个videoWriter对象
videoWriter = cv2.VideoWriter('out_%d.avi' % (random.randint(1, 10)), fourcc, fps, size)# 通过read读取视频中的每一帧，每一帧是一副基于BGR格式的图像，然后通过write将图像一帧帧写入要保存的视频。可以理解成，读取的每一帧图片存到一列表中，最后一张存完就返回一个False
success, frame = videoCapture.read()
yolov3_vedio(frame, yolo_dir, CONFIDENCE, THRESHOLD)while (True):videoWriter.write(frame)success, frame = videoCapture.read()if success == False:breakyolov3_vedio(frame, yolo_dir, CONFIDENCE, THRESHOLD)videoCapture.release()
videoWriter.release()

三、yolo原理讲解

1、详细原理可以看我的另一篇博客：https://blog.csdn.net/weixin_39615182/article/details/109752498
2、该博主同时在b站进行了讲解，讲的很好，我在他基础上进行归纳总结的：
https://www.bilibili.com/video/BV1XJ411D7wF?p=3

yolov3检测和平精英视频中人物及物体【附源码+数据】相关推荐

和平精英吃鸡助手微信小程序源码一键设置灵敏度键位捏脸
这是一款吃鸡小助手类型的微信小程序源码该小程序由键位,灵敏度,捏脸一键设置组合小程序内的键位设置,灵敏度设置代码是由各大主播和职业选手那些分享的然后改小程序通过全网采集而来另外里面还有捏脸数据 ...
美！视差滚动在图片滑块中的应用【附源码下载】
视差滚动(Parallax Scrolling)已经被广泛应用于网页设计中,这种技术能够让原本平面的网页界面产生动感的立体效果.下面分享的这个图片滑块效果是难得一见的结合视差滚动的例子,之前的文章给大 ...
美！视差滚动特效在图片滑块中的应用【附源码下载】
视差滚动(Parallax Scrolling)已经被广泛应用于网页设计中,这种技术能够让原本平面的网页界面产生动感的立体效果.下面分享的这个图片滑块效果是难得一见的结合视差滚动的例子,之前的文章给大 ...
图像sobel梯度详细计算过程_视频处理之Sobel【附源码】
边缘检测是检测图像中的一些像素点,它们周围的像素点的灰度发生了急剧的变化,我们认为在这过程中,图像中的物体不同导致了这一变化,因此可以将这些像素点作为一个集合,可以用来标注图像中不同物体的边界.边缘区 ...
视频处理之Sobel【附源码】
欲观原文,请君移步边缘检测是检测图像中的一些像素点,它们周围的像素点的灰度发生了急剧的变化,我们认为在这过程中,图像中的物体不同导致了这一变化,因此可以将这些像素点作为一个集合,可以用来标注图像中不 ...
b站学python_Python爬虫学习教程 bilibili网站视频爬取！【附源码】
python爬虫学习教程,万物皆可爬!每个技术大牛都是从基础慢慢的提升上去的,基础知识越深以后的发展越牛!学好python,才能玩转python,那到底怎么才能学好python? 通过爬取b站案例带领 ...
Android 毕业设计高仿抖音（视频类App）(内附源码）
背景抖音这么火,我就想着要不自己也做一个吧,于是就有了我的自制抖音.喜欢的可以点个star或关注一下,以后会保持维护和优化. 主要效果演示安装包: 整体设计由于没有接口获取数据,使用的方式是将图 ...
python3网络爬虫--爬取b站视频评论用户信息（附源码）
文章目录一．准备工作 1．工具二．思路 1．整体思路 2．爬虫思路三．分析网页 1.分析网页加载方式 2.分析数据接口 3.获取oid 四．撰写爬虫五．存储数据六．总结你爱我,我爱你,蜜雪 ...
Silverlight4中右键菜单实现-附源码下载
在发布Silverlight4 Beta版本和RC时增加不少新的特性和控件. 类似在WinForm实现右键菜单ContentMenu功能. 在Silverlight 4中也有所体现. 当初在Silv ...

yolov3检测和平精英视频中人物及物体【附源码+数据】

目录

一、实现效果与数据下载链接

二、相应代码

三、yolo原理讲解

yolov3检测和平精英视频中人物及物体【附源码+数据】相关推荐

最新文章

热门文章