YOLOv3 很强大,无论是精度还是速度都有很大的提升,原理不再介绍。本文只是阐述如何用opencv加载已经训练好的模型进行目标检测,为了方便大家下载,我把需要的一些模型和参数用百度网盘分享出来,解压后里面有三个文件,分别是yolov3.cfg、yolov3.weights和coco.name
链接:https://pan.baidu.com/s/1GZoj-fHGeTI9tcQltpB-0g
提取码:vrj4
如果链接失效可留言,我重新发
"""
本程序是实现利用OpenCV来调用已经训练好的YOLO模型
来进行目标检测,opencv的版本最好为3.4以上。
2019/1/24_Zjh_于学科二楼
"""
import numpy as np
import cv2
import os
import time
#加载已经训练好的模型
weightsPath="yolov3.weights"
configPath="yolov3.cfg"
labelsPath = "coco.names"
#初始化一些参数
LABELS = open(labelsPath).read().strip().split("\n") #物体类别
COLORS = np.random.randint(0, 255, size=(len(LABELS), 3),dtype="uint8")#颜色
boxes = []
confidences = []
classIDs = []
net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)
#读入待检测的图像
image=cv2.imread("c:\\users\\x\\desktop\\dog.jpg")
(H, W) = image.shape[:2]
# 得到 YOLO需要的输出层
ln = net.getLayerNames()
ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]
#从输入图像构造一个blob,然后通过加载的模型,给我们提供边界框和相关概率
blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416),swapRB=True, crop=False)
net.setInput(blob)
layerOutputs = net.forward(ln)
#在每层输出上循环
for output in layerOutputs:
# 对每个检测进行循环
for detection in output:
scores = detection[5:]
classID = np.argmax(scores)
confidence = scores[classID]
#过滤掉那些置信度较小的检测结果
if confidence > 0.5:
#框后接框的宽度和高度
box = detection[0:4] * np.array([W, H, W, H])
(centerX, centerY, width, height) = box.astype("int")
#边框的左上角
x = int(centerX - (width / 2))
y = int(centerY - (height / 2))
# 更新检测出来的框
boxes.append([x, y, int(width), int(height)])
confidences.append(float(confidence))
classIDs.append(classID)
# 极大值抑制
idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.2,0.3)
if len(idxs) > 0:
for i in idxs.flatten():
(x, y) = (boxes[i][0], boxes[i][1])
(w, h) = (boxes[i][2], boxes[i][3])
# 在原图上绘制边框和类别
color = [int(c) for c in COLORS[classIDs[i]]]
cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)
text = "{}: {:.4f}".format(LABELS[classIDs[i]], confidences[i])
cv2.putText(image, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX,0.5, color, 2)
cv2.imshow("Image", image)
cv2.waitKey(0)
下面这个是两个测试图片,一张是YOLO中的经典图片,后面两张是我自己的实拍图片
总体来说效果还是相当不错的,程序稍加修改,可以用摄像头实现实时检测!