yolov3用python接口检测并保存视频

本文介绍通过修改darknet下python目录内的darknet.py完成视频检测与保存。需按指定链接完成相关文件修改,确保可运行后修改darknet.py的main函数,添加import cv2并修改路径。使用opencv3.4.6,自带darknet.py检测视频速度稍慢但可接受。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

yolov3用python接口检测并保存视频

本文直接修改darknet下python目录内的darknet.py来完成视频的检测与保存。在看本文章之前,请按照如下链接完成相关文件修改。
https://blog.youkuaiyun.com/phinoo/article/details/83009061
修改完之后确保可以运行没问题,修改darknet.py文件的main函数,下面把代码贴上。注意在抬头加上import cv2,里面关于路径的都修改为自己文件所在的路径。我用的是opencv3.4.6,因为保存视频的接口是opencv3的,注意下。

if __name__ == "__main__":
    net = load_net("../cfg/yolov3.cfg", "../backup/yolov3.weights", 0)
    meta = load_meta("../cfg/coco.data")
    vid = cv2.VideoCapture('../video/input2.avi')
    fourcc = cv2.VideoWriter_fourcc('M','P','4','2') #opencv3.0
    videoWriter = cv2.VideoWriter('../video/output2.avi', fourcc, 25, (1920,1080))
    while True:
        return_value,arr=vid.read()
        if not return_value:
            break 
        im=nparray_to_image(arr)
        boxes= detect(net, meta, im)
       
        for i in range(len(boxes)):
            score=boxes[i][1]
            label=boxes[i][0]
            xmin=boxes[i][2][0]-boxes[i][2][2]/2
            ymin=boxes[i][2][1]-boxes[i][2][3]/2
            xmax=boxes[i][2][0]+boxes[i][2][2]/2
            ymax=boxes[i][2][1]+boxes[i][2][3]/2
            cv2.rectangle(arr,(int(xmin),int(ymin)),(int(xmax),int(ymax)),(0,255,0),2)
            cv2.putText(arr,str(label),(int(xmin),int(ymin)),fontFace=cv2.FONT_HERSHEY_SIMPLEX,fontScale=0.8,color=(0,255,255),thickness=2)    
        cv2.imshow("Canvas", arr)
        videoWriter.write(arr) 
        cv2.waitKey(1) 
    cv2.destroyAllWindows()

用自带的darknet.py检测视频会比直接运行源程序速度慢一点,但是可以接受。

PyTorch版的YOLOv5是轻量而高性能的实时目标检测方法。利用YOLOv5训练完自己的数据集后,如何向大众展示提供落地的服务呢?   本课程将提供相应的解决方案,具体讲述如何使用Web应用程序框架Flask进行YOLOv5的Web应用部署。用户可通过客户端浏览器上传图片,经服务器处理后返回图片检测数据在浏览器中绘制检测结果。   本课程的YOLOv5使用ultralytics/yolov5,在Ubuntu系统上做项目演示,提供在Windows系统上的部署方式文档。 本项目采取前后端分离的系统架构和开发方式,减少前后端的耦合。课程包括:YOLOv5的安装、 Flask的安装、YOLOv5的检测API接口python代码、 Flask的服务程序的python代码、前端html代码、CSS代码、Javascript代码、系统部署演示、生产系统部署建议等。   本推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测实战:训练自己的数据集》Ubuntu系统 https://edu.youkuaiyun.com/course/detail/30793 Windows系统 https://edu.youkuaiyun.com/course/detail/30923YOLOv5(PyTorch)目标检测:原理与源码解析》https://edu.youkuaiyun.com/course/detail/31428 《YOLOv5(PyTorch)目标检测实战:Flask Web部署》https://edu.youkuaiyun.com/course/detail/31087 《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》https://edu.youkuaiyun.com/course/detail/32303
YOLOv8(You Only Look Once Version 8)是一个先进的目标检测模型,它允许你在大量图片或视频中进行物体识别批量处理。如果你想使用YOLOv8对特定文件夹下的图片进行批量检测将结果保存下来,通常需要按照以下步骤操作: 1. 安装依赖:首先,确保你已经安装了Darknet框架(包含YOLOv8),以及必要的Python库如`pydarknet`或`yolov8-pytorch`用于Python接口。 2. 准备数据:组织好包含待检测图片的文件夹结构,通常是将图片放在单独的子文件夹下,方便模型识别每个类别。 3. 配置检测脚本:编写一个Python脚本,导入所需的库,设置YOLOv8模型的路径,读取输入文件夹,然后调用模型进行检测。例如,如果你使用的是`pydarknet`,可以这样做: ```python import os from pydarknet import Detector # 指定YOLOv8模型路径 model_path = 'path/to/yolov8.cfg' weights_path = 'path/to/yolov8.weights' # 初始化检测器 detector = Detector(model_config=model_path, model_weights=weights_path) # 设置输出保存目录 output_folder = 'path/to/output/folder' # 遍历输入文件夹 for filename in os.listdir(input_folder): # 组合完整的图片路径 img_path = os.path.join(input_folder, filename) # 进行检测将结果保存 detections = detector.detect(img_path, threshold=0.5) # 可调整阈值 for detection in detections: save_path = os.path.join(output_folder, f"{filename}_detected.jpg") detection.save(save_path) ``` 4. 运行脚本:运行上述Python脚本,它会遍历指定的输入文件夹,对每张图片执行检测将结果显示或保存到输出文件夹内。
评论 28
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

greatsam

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值