这篇博客主要介绍了如何使用Python调用YOLOV3进行对象检测。首先，通过cv2的DNN模块加载模型并初始化，接着加载图片进行识别。在识别过程中，YOLOV3对图片进行前向预测，并利用非最大值抑制处理重叠物体。然而，实例展示了YOLOV3在处理重叠图片时的不足，如将墨镜误识别为手机。
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
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
