物体检测实战：使用 OpenCV 进行 YOLO 对象检测(1)

net = cv2.dnn.readNetFromDarknet(config_path, weights_path)

导入包。

定义全局参数：

• image_path：定义图片的路径。

• yolo：定义模型存放的路径

• confidence_t：过滤弱检测的最小概率。

• threshold：非最大值抑制阈值。

接下来，加载了所有的类 LABELS。然后，为每个标签分配随机颜色。

加载权重文件。

加载我们的输入图像并获取其空间维度

image = cv2.imread(image_path)

(H, W) = image.shape[:2]

从输入图像构建一个blob，然后执行一个前向传播

通过 YOLO 对象检测器，输出边界框和相关概率

blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416),

swapRB=True, crop=False)

net.setInput(blob)

start = time.time()

获取网络输出层信息（所有输出层的名字），设定并前向传播

outInfo = net.getUnconnectedOutLayersNames()

得到各个输出层的、各个检测框等信息，是二维结构。

layerOutputs = net.forward(outInfo)

加载输入图像并提取其尺寸。

从 YOLO 模型取出输出层名称。

构建一个 blob（第 48 和 49 行）。

cv2.dnn.blobFromImage(image[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]])

作用：

对图像进行预处理，包括减均值，比例缩放，裁剪，交换通道等，返回一个4通道的blob(blob可以简单理解为一个N维的数组，用于神经网络的输入)

参数：

• image:输入图像（1、3或者4通道）

可选参数

• scalefactor:图像各通道数值的缩放比例

• size:输出图像的空间尺寸,如size=(200,300)表示高h=300,宽w=200

• mean:用于各通道减去的值，以降低光照的影响(e.g. image为bgr3通道的图像，mean=[104.0, 177.0, 123.0],表示b通道的值-104，g-177,r-123)

• swapRB:交换RB通道，默认为False.(cv2.imread读取的是彩图是bgr通道)

• crop:图像裁剪,默认为False.当值为True时，先按比例缩放，然后从中心裁剪成size尺寸

• ddepth:输出的图像深度，可选CV_32F 或者 CV_8U.

通过我们的 YOLO 网络执行前向传递

显示 YOLO 的推理时间

接下来我们实现图像的可视化操作：

分别初始化检测到的边界框、置信度和类 ID 的列表

boxes = []

confidences = []

classIDs = []</