python 简单实现目标检测代码

import os           # 导入系统环境变量
import sys          # 导入 python环境变量相关的函数
import cv2
import torch        # 导入机器学习库 pytorch
import torch.backends.cudnn as cudnn    # 导入nvdia cudnn 相关库
import warnings
warnings.filterwarnings("ignore")from pathlib import Path
from models.experimental import attempt_load    # attempt_load用于加载模型权重文件并构建模型(可以构造普通模型或者集成模型)
from utils.datasets import LoadImages        # cv2图片、视频读取函数
from utils.general import non_max_suppression, scale_coords, set_logging
from utils.plots import Annotator, colors
from utils.torch_utils import select_device# 1. 路径处理
FILE = Path(__file__).resolve()     # 解析当前文件的绝对路径
ROOT = FILE.parents[0]              # 解析文件root 目录
if str(ROOT) not in  sys.path:      # 如果当前目前不在python 环境变量中，则添加环境变量sys.path.append(str(ROOT))
ROOT = Path(os.path.relpath(ROOT, Path.cwd()))  # 计算当前路径距根目录的相对路径source = str(ROOT / "data/images/4.jpeg")          # 要检测的文件路径 set_logging()   # 日志# 2. 配置显卡
device = select_device(device='')           # 使用默认的CUDA 显卡
half = device.type != 'cpu'                 # 半精度浮点数仅GPU支持# 3. 加载 yolov5s.pt 模型,开始建模
weights = str(ROOT / 'yolov5s.pt')               # 模理权重文件路径
model = attempt_load(weights, map_location=device)
stride = int(model.stride.max())                # 获取当前模型中支持的最大模型数量
names = model.modules.names if hasattr(model, 'module') else model.names    # 获取当前模型中各模型的nameif half:                # 如果支持半精度浮点model.half()        # 修改所有参数和buffer 为half半精度浮点类型imgsz = [640,640]# 4. 加载图片、视频资源
dataset = LoadImages(source, img_size=640,stride=stride, auto=True)# 5. 开始检测
if device.type != 'cpu':model(torch.zeros(1,3,*imgsz).to(device).type_as(next(model.parameters())))for path, img, im0s, vid_cap in dataset:img = torch.from_numpy(img).to(device)img = img.half() if half else img.float()  # uint8 to fp16/32img = img / 255.0if len(img.shape) == 3:img = img[None]# 6. 配置特征图可视化pred = model(img, augment=False, visualize=False)[0]# NMSpred = non_max_suppression(pred, 0.5, 0.45, None, False, multi_label=False, labels=(), max_det=300)# 7.开始预测    for i, det in enumerate(pred):p, s, im0, frame = Path(path), '', im0s.copy(), getattr(dataset, 'frame', 0)s += '%gx%g, ' % img.shape[2:]                # print stringannotator = Annotator(im0, line_width=3, example=str(names))if len(det):# Rescale boxes from img_size to im0 sizedet[:, :4]  = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()# Print resultsfor c in det[:, -1].unique():n = (det[:, -1] == c).sum()  # detections per classs += f"{n} {names[int(c)]}{'s' * (n > 1)}, "  # add to stringprint(s)# Write resultsfor *xyxy, conf, cls in reversed(det):c = int(cls)  # integer classlabel = (f'{names[c]} {conf:.2f}')annotator.box_label(xyxy, label, color=colors(c, True))print(label,xyxy)# Stream resultsim0 = annotator.result()cv2.imshow(str(p), im0)cv2.waitKey(5000)  # 1 millisecond

运行结果：

PS C:\Users\ciellee\Desktop\Yolo\yolov5-6.0> & C:/ProgramData/Miniconda3/envs/pytorch/python.exe c:/Users/ciellee/Desktop/Yolo/yolov5-6.0/detect_test.py
YOLOv5  2021-10-12 torch 1.10.2 CPUFusing layers...
Model Summary: 224 layers, 7266973 parameters, 0 gradients
image 1/1 C:\Users\ciellee\Desktop\Yolo\yolov5-6.0\data\images\4.jpeg: 384x640, 5 persons, 4 cars, 1 traffic light,
person 0.54 [tensor(61.), tensor(158.), tensor(145.), tensor(382.)]
traffic light 0.59 [tensor(1225.), tensor(59.), tensor(1242.), tensor(88.)]
person 0.65 [tensor(728.), tensor(173.), tensor(775.), tensor(371.)]
person 0.70 [tensor(673.), tensor(166.), tensor(750.), tensor(366.)]
car 0.75 [tensor(1133.), tensor(198.), tensor(1218.), tensor(268.)]
car 0.75 [tensor(1027.), tensor(195.), tensor(1102.), tensor(273.)]
car 0.79 [tensor(367.), tensor(206.), tensor(483.), tensor(328.)]
car 0.86 [tensor(128.), tensor(172.), tensor(385.), tensor(357.)]
person 0.88 [tensor(436.), tensor(0.), tensor(744.), tensor(710.)]
person 0.91 [tensor(811.), tensor(26.), tensor(1054.), tensor(613.)]
PS C:\Users\ciellee\Desktop\Yolo\yolov5-6.0>

python 简单实现目标检测代码相关推荐

Python实现一个简单的目标检测
Python实现一个简单的目标检测相关介绍实验环境基本思路代码实现输出结果相关介绍选择性搜索(Select Search)算法属于候选区域算法,用分割不同区域的办法来识别潜在的物体.在分 ...
深度学习 + OpenCV，Python实现实时视频目标检测
选自PyimageSearch 机器之心编译参与:路雪.李泽南使用 OpenCV 和 Python 对实时视频流进行深度学习目标检测是非常简单的,我们只需要组合一些合适的代码,接入实时视频,随后加 ...
【自动驾驶】鸽了很久的小物体目标检测代码【小物体目标检测】
鸽了很久的小物体目标检测代码 https://github.com/LT1st/SmallObstacleDetection/tree/main/code#readme Pytorch: Small ...
3D目标检测——代码理解——Second代码：数据处理kitti_dataset.py的理解
3D目标检测-代码理解-Second代码:数据处理kitti_dataset.py的理解 Second代码的github地址:Second代码的github地址 Second文章的链接:Second文 ...
python简单目标检测代码_Python Opencv实现单目标检测的示例代码
一简介目标检测即为在图像中找到自己感兴趣的部分,将其分割出来进行下一步操作,可避免背景的干扰.以下介绍几种基于opencv的单目标检测算法,算法总体思想先尽量将目标区域的像素值全置为1,背景区域全 ...
用verilog实现检测1的个数_入门指南：用Python实现实时目标检测（内附代码）
全文共6821字,预计学习时长20分钟来源:Pexels 从自动驾驶汽车检测路上的物体,到通过复杂的面部及身体语言识别发现可能的犯罪活动.多年来,研究人员一直在探索让机器通过视觉识别物体的可能性. ...
python目标检测答案_入门指南：用Python实现实时目标检测（内附代码）
全文共6821字,预计学习时长20分钟来源:Pexels 从自动驾驶汽车检测路上的物体,到通过复杂的面部及身体语言识别发现可能的犯罪活动.多年来,研究人员一直在探索让机器通过视觉识别物体的可能性. ...
python实现yolo目标检测_从零开始PyTorch项目：YOLO v3目标检测实现
在过去几个月中,我一直在实验室中研究提升目标检测的方法.在这之中我获得的最大启发就是意识到:学习目标检测的最佳方法就是自己动手实现这些算法,而这正是本教程引导你去做的. 在本教程中,我们将使用 PyT ...
python实现yolo目标检测_Yolov5—实现目标检测（win10）
Yolov5-实现目标检测(win10) 该方法可以在win10上实现Yolov5的目标检测,配置前需要安装Anaconda3 一.环境配置源码下载地址:https://github.com/ult ...

python 简单实现目标检测代码

python 简单实现目标检测代码相关推荐

最新文章

热门文章