项目答辩（PPT）

import numpy as np
import cv2

#yolov3目标检测
def model_output(image, w, h):
    net = cv2.dnn.readNetFromDarknet('./yolo-coco/yolov3-tiny.cfg', './yolo-coco/yolov3-tiny.weights')
    #加载已训练好的yolov3网络的权重和相应的配置数据
    blob_image = cv2.dnn.blobFromImage(image, 1/255.)
    #图像预处理，归一化作用，确保输入数据在相同的尺度范围内，避免不同图像之间的像素值差异过大。
    # 这有助于网络模型更好地学习图像特征，提高模型的稳定性和收敛速度，提高识别精度。
    # print(blob_image)
    net.setInput(blob_image) #将blob_image输入到网络
    out_names = net.getUnconnectedOutLayersNames()
    # 获取网络输出层信息（所有输出层的名字）Net类中的forward函数需要一个结束层，
    # 它应该在网络中运行到该层。因此我们通过getUnconnectedOutLayersNames来识别网络的最后一层从而运行整个网络
    # print(out_names)
    outs = net.forward(out_names)#模型开始正向推理，得到输出结果

    ids = [] #表示识别的目标归属于哪一类 类别的编号0~79
    confidences = [] # 表示识别目标是某种物体的置信度
    boxes = [] # # 用于存放识别物