【OpenCV-Python实战项目】08-YOLO-V3实时目标检测

0.介绍

（1）YOLO是一个开源的目标检测算法，兼顾准确率和运行速度，本笔记主要用YOLO-V3进行图像 or 摄像头视频或者下载视频的目标检测。
（2）检测流程：

• 1）opencv读取视频流或图像；
• 2）创建YOLO-V3网络模型并导入权重文件；
• 3）用模型进行检测并输出检测数值，最后绘制显示在图像上；

（3）YOLO-V3的网络配置文件以及对应的模型权重文件下载:YOLO配置以及权重文件下载链接
注意：FPS表示视频显示帧率，即一秒中图像数量，越大表示视频显示越流畅，下载的模型为YOLOv3-320，下载cfg模型配置文件（加载网络结构）+weights（模型权重文件）两个。

此外由于该模型是在COCO上面下载的，一共有80类，需要导入其类别文件，方面后续绘制出类别名称，类别如下：

1.基础功能实现

（1）用法说明：
1）先加载类别文件，然后构建模型并导入训练好的权重，代码片段如下：

classNames= []
classFile='coco.names'
with open(classFile,'rt') as f:
    classNames=f.read().rstrip('\n').split('\n')

modelConfiguration='yolov3.cfg'
modekWeights='yolov3.weights'
net=cv2.dnn.readNetFromDarknet(modelConfiguration,modekWeights)
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)#to use opencv
net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)#to use cpu

2）对输入网络的数据进行预处理，比如裁剪到网络支持的尺寸等

#blobFromImage主要是用来对图片进行预处理：分别是影像，缩放系数、输入图片的尺寸，图片整体减去的平均值，crop
blob = cv2.dnn.blobFromImage(image, scalefactor=1.0, size, mean, swapRB=True，crop=False,ddepth = CV_32F )

3）将预处理好的数据喂入网络并从网络输出层得到结果，但是由于YOLO-V3是输出有三层，因此如下为得到输出三层的名称，然后提取出对应的结果步骤：

outputNames=[layerNames[i-1] for i in net.getUnconnectedOutLayers()]
outputs=net.forward(outputNames) #三层的输出结果，shape分别是：
outputs[0].shape=（300，85）outputs[1].shape=(1200,85),outputs[2].shape=(4800,85)，

其中每一行85个数,前四个数表示x,y,w,h,检测置信度，最后80表示80个类别每个类别的得分，遍历提取即可。

4) 非极大值抑制用于过滤掉同一个物体出现了不同大小的检测框

（2）完整代码：

import cv2
import numpy as np


cap=cv2.VideoCapture('object.mp4')# 可以设置为0,默认打开摄像头

classNames= []
classFile='coco.names'
with open(classFile,'rt') as f:
    classNames=f.read().rstrip('\n').split('\n')

modelConfiguration='yolov3.cfg'
modekWeights='yolov3.weights'
net=cv2.dnn.readNetFromDarknet(modelConfiguration,modekWeights)
net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)#to use opencv
net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)#to use cpu