【yolov3】如何使用摄像头进行目标检测——yolov3-pytorch摄像头检测教程

原项目地址：https://github.com/eriklindernoren/PyTorch-YOLOv3

主要思路：

将原本的detect.py的基础上进行修改即可，思路就是把原来从数据集中一张一张图片地读取改成一帧一帧地读取图片，然后将图片传入神经网络，效果其实跟普通的检测差不多，只不过是持续不断地输入图像给神经网络。
Tips：opencv很多视频处理操作的原理其实就是把视频分成一帧一帧地来处理，算是一个基本的思路吧。连续的图片转换成离散地图片来处理。因为视频也是很多很多张图片堆叠出来的。

代码差别

PILimg = np.array(Image.fromarray(cv.cvtColor(frame, cv.COLOR_BGR2RGB)))
imgTensor = transforms.ToTensor()(PILimg)
imgTensor, _ = pad_to_square(imgTensor, 0)
# resize图像变成416×416
imgTensor = resize(imgTensor, 416)
# 添加一个维度
imgTensor = imgTensor.unsqueeze(0)

全部代码

from __future__ import divisionfrom models import *
from utils.utils import *
from utils.datasets import *import os
import sys
import time
import datetime
import argparse
import cv2 as cvfrom PIL import Imageimport torch
from torch.utils.data import DataLoader
from torchvision import datasets
from torch.autograd import Variableimport matplotlib.pyplot as plt
import matplotlib.patches as patches
from matplotlib.ticker import NullLocatorif __name__ == "__main__":parser = argparse.ArgumentParser()# parser.add_argument("--image_folder", type=str, default="data/test", help="path to dataset")parser.add_argument("--video_file", type=str, default="data/video/video.avi", help="path to dataset")parser.add_argument("--model_def", type=str, default="config/yolov3-custom.cfg", help="path to model definition file")parser.add_argument("--weights_path", type=str, default="weights/yolov3_ckpt.pth", help="path to weights file")parser.add_argument("--class_path", type=str, default="data/custom/classes.names", help="path to class label file")parser.add_argument("--conf_thres", type=float, default=0.8, help="object confidence threshold")parser.add_argument("--nms_thres", type=float, default=0.4, help="iou thresshold for non-maximum suppression")parser.add_argument("--batch_size", type=int, default=1, help="size of the batches")parser.add_argument("--n_cpu", type=int, default=0, help="number of cpu threads to use during batch generation")parser.add_argument("--img_size", type=int, default=416, help="size of each image dimension")parser.add_argument("--checkpoint_model", type=str, help="path to checkpoint model")parser.add_argument("--mode", type=str, default="camera", help="choose mode between video or camera")opt = parser.parse_args()print(opt)device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 创建输出文件夹os.makedirs("output", exist_ok=True)os.makedirs("output/video_image", exist_ok=True)# Set up model# 导入模型配置文件model = Darknet(opt.model_def, img_size=opt.img_size).to(device)# 判断是否使用.weights还是其他权重文件if opt.weights_path.endswith(".weights"):# Load darknet weightsmodel.load_darknet_weights(opt.weights_path)else:# Load checkpoint weightsmodel.load_state_dict(torch.load(opt.weights_path))model.cuda()# 切换评估模式model.eval()  # Set in evaluation mode# 获取类别classes = load_classes(opt.class_path)  # Extracts class labels from file# 转化为Tensor float类型Tensor = torch.cuda.FloatTensor if torch.cuda.is_available() else torch.FloatTensorif opt.mode == 'video':cap = cv.VideoCapture(opt.video_file)colors = np.random.randint(0,255,size=(len(classes),3),dtype="uint8")else:cap = cv.VideoCapture(0)colors = np.random.randint(0,255,size=(len(classes),3),dtype="uint8")# Bounding-box colors# 检测框的颜色# cmap = plt.get_cmap("tab20b")# colors = [cmap(i) for i in np.linspace(0, 1, 20)]img_detections = []# 开始检测print("\nPerforming object detection:")start = time.time()current_frame = 0while cap.isOpened():ret, frame = cap.read()# 将将numpy的矩阵转化成PIL 再将opencv中获取的BGR颜色空间转换成RGBPILimg = np.array(Image.fromarray(cv.cvtColor(frame, cv.COLOR_BGR2RGB)))imgTensor = transforms.ToTensor()(PILimg)imgTensor, _ = pad_to_square(imgTensor, 0)# resize图像变成416×416imgTensor = resize(imgTensor, 416)# 添加一个维度imgTensor = imgTensor.unsqueeze(0)imgTensor = Variable(imgTensor.type(Tensor))# 检测with torch.no_grad():detections = model(imgTensor)detections = non_max_suppression(detections, opt.conf_thres, opt.nms_thres)current_frame += 1img_detections.clear()if detections is not None:img_detections.extend(detections)length = len(img_detections)if length:for detections in img_detections:if detections is not None:detections = rescale_boxes(detections, opt.img_size, PILimg.shape[:2])unique_labels = detections[:, -1].cpu().unique()n_cls_preds = len(unique_labels)end = time.time()time_count = end - startfor x1, y1, x2, y2, conf, cls_conf, cls_pred in detections:print("\t+ Label: %s, Conf: %.5f, time: %d" % (classes[int(cls_pred)], cls_conf.item(),time_count))box_w = x2 - x1box_h = y2 - y1color = [int(clr) for clr in colors[int(cls_pred)]]frame = cv.rectangle(frame, (x1, y1 + box_h), (x2, x1), color, 2)cv.putText(frame, classes[int(cls_pred)], (x1, y1), cv.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)cv.putText(frame, str("%.2f" % float(conf)), (x2, y2 - box_h), cv.FONT_HERSHEY_SIMPLEX, 0.5,color, 2)cv.imshow('frame', frame)if cv.waitKey(1) & 0xFF == ord('q'):cap.release()breakcv.destroyAllWindows()

【yolov3】如何使用摄像头进行目标检测——yolov3-pytorch摄像头检测教程相关推荐

摄像头图像分析目标物体大小位置_摄像头的原理、组成、选型及应用
目录一.摄像头成像的光学原理二.摄像头模组构成以及功能原理三.摄像头名词释义四.摄像头参数解析五.摄像头选型一.摄像头成像的光学原理 1.1 光学的基本定律 (1)光线直线传播定律:在统一 ...
yolov3 指定gpu_GPU端到端目标检测YOLOV3全过程（中）
GPU端到端目标检测YOLOV3全过程(中) 计算机视觉初级部分知识体系总结了一下自己在图像点(pixel值)运算 1. 直方图: 2. 线性/非线性变换: 3. 灰度均衡化/规定化: 4.H-S ...
GPU端到端目标检测YOLOV3全过程（下）
GPU端到端目标检测YOLOV3全过程(下) Ubuntu18.04系统下最新版GPU环境配置 · 安装显卡驱动 · 安装Cuda 10.0 · 安装cuDNN 1.安装显卡驱动 (1)这里采用的是P ...
GPU端到端目标检测YOLOV3全过程（上）
GPU端到端目标检测YOLOV3全过程(上) Basic Parameters: Video: mp4, webM, avi Picture: jpg, png, gif, bmp Text: doc ...
目标检测-基于Pytorch实现Yolov3（1）- 搭建模型
原文地址:https://www.cnblogs.com/jacklu/p/9853599.html 本人前段时间在T厂做了目标检测的项目,对一些目标检测框架也有了一定理解.其中Yolov3速度非常快 ...
yolov3目标检测android,目标检测 | YOLOv3训练自己的数据全流程
1.构建YOLOv3网络的cfg文件该文件表示的是你的检测网络的结构,类似caffe的prototxt文件. YOLOv3的cfg文件上篇介绍YOLOv3网络中提到的去掉上采样操作的YOLOv3c ...
目标检测YOLOv3
文章目录 1.目标检测基础概念 1.2 边界框(bounding box,bboxx) 1.2.1 锚框(Anchor box) 1.2.2 交并比(Intersection if Union, Io ...
深度学习-目标检测YOLOV3 YOLOv4原理详解
2.YoloV3核心基础内容 2.1 网络结构可视化 Yolov3是目标检测Yolo系列非常非常经典的算法,不过很多同学拿到Yolov3或者Yolov4的cfg文件时,并不知道如何直观的可视化查看网络 ...
文献3 基于改进型YOLOv3的SAR图像舰船目标检测
基于改进型YOLOv3的SAR图像舰船目标检测 0.概述本文主要介绍了新提出的一种改进型YOLOv3的SAR图像船舰目标检测方法,此方法依据船舰尺寸与形状自适应采样的可变形卷积.ResNet50变体 ...

【yolov3】如何使用摄像头进行目标检测——yolov3-pytorch摄像头检测教程

【yolov3】如何使用摄像头进行目标检测——yolov3-pytorch摄像头检测教程

主要思路：

全部代码

【yolov3】如何使用摄像头进行目标检测——yolov3-pytorch摄像头检测教程相关推荐

最新文章

热门文章