继续我们的目标检测算法的分享，前期我们介绍了SSD目标检测算法的python实现以及Faster-RCNN目标检测算法的python实现以及yolo目标检测算法的darknet的window环境安装，本期我们简单介绍一下如何使用python来进行YOLOV3的对象检测算法

YOLOV3对象检测
YOLOV3的基础知识大家可以参考往期文章，本期重点介绍如何使用python来实现
图片识别1、初始化模型
14-16 行：
模型的初始化依然使用cv下的DNN模型来加载模型，需要注意的是CV的版本需要大于3.4.2
5-8行：
初始化模型在coco上的label以便后期图片识别使用
10-12行：
初始化图片显示方框的颜色

初始化模型2、加载图片，进行图片识别
输入识别的图片进行图片识别，这部分代码跟往期的SSD 以及RCNN目标检测算法类似
19-20行：输入图片，获取图片的长度与宽度
25-29行：计算图片的blob值，输入神经网络，进行前向反馈预测图片
只不过net.forward里面是ln， 神经网络的所有out层

图片识别3、遍历所有的out层，获取检测图片的label与置信度
遍历out层，获取检测到的label值以及置信度，检测到这里YOLOV3以及把所有的检测计算完成，但是由于yolov3对重叠图片或者靠的比较近的图片检测存在一定的问题，使用YOLOV3使用非最大值抑制来抑制弱的重叠边界

遍历图片
竟然把墨镜识别了手机，体现了YOLOV3在重叠图片识别的缺点

4、应用非最大值抑制来抑制弱的重叠边界，显示图片
56： 使用非最大值抑制来抑制弱的重叠边界
58-59行：遍历所有图片
61-62行：提取检测图片的BOX
64-68行：显示图片信息
70-71行：显示图片

显示图片
利用python来实现YOLOV3，与SSD 以及RCNN代码有很多类似的地方，大家可以参考往期的文章进行对比学习，把代码执行一遍

图片识别
视频识别
进行视频识别的思路：从视频中提取图片，进行图片识别，识别完成后，再把识别的结果实时体现在视频中，这部分代码结合前期的视频识别，大家可以参考多进程视频实时识别篇，因为没有多进程，检测速度很慢，视频看着比较卡1、初始化模型以及视频流

初始化2、从视频中提取图片，进行图片的blob值计算，进行神经网络的预测

提取图片进行识别3、提取检测到图片的置信度以及ID值

提取图片信息
4、应用非最大值抑制来抑制弱的重叠边界，显示图片

检测图片5、关闭资源，显示图片处理信息

每个目标检测算法都有自己的优缺点，个人感觉，在精度要求不是太高的情况下SSD检测算法可以实现较快的速度实现，毕竟精度差不多的情况下，我们希望速度越快越好

截图视频图片

微@信搜索:启示AI科技，

体验不一样的AI工具

微信搜索小程序：AI人工智能工具