YOLOv3使用笔记——批处理图片并返回检测数量

最新推荐文章于 2024-10-06 20:45:31 发布
最新推荐文章于 2024-10-06 20:45:31 发布
阅读量1.2w 收藏 29
点赞数 1
分类专栏： YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cgt19910923/article/details/80528559
版权

1.测试单张图

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

主要调用到的detector.c中的test_detector函数


2.修改批处理

test_detector（）

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)
{
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    char **names = get_labels(name_list);

    image **alphabet = load_alphabet();
    network *net = load_network(cfgfile, weightfile, 0);
    set_batch_network(net, 1);
    srand(2222222);
    double time;
    char buff[256];
    char *input = buff;
    float nms=.45;
    char **filelist = get_labels("name.txt");
    //while(1){
    int index = 0;
    while(filelist[index] != NULL){
            filename = filelist[index];
            printf("filename: %s\n", filename);
        if(filename){
            strncpy(input, filename, 256);
        } else {
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) return;
            strtok(input, "\n");
        }
        image im = load_image_color(input,0,0);
        image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
        layer l = net->layers[net->n-1];

        float *X = sized.data;
        time=what_time_is_it_now();
        network_predict(net, X);
        printf("%s: Predicted in %f seconds.\n", input, what_time_is_it_now()-time);
        int nboxes = 0;
        detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
        //printf("%d\n", nboxes);
        //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
        if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
        //printf("classes=%d\n", l.classes);
        draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
        free_detections(dets, nboxes);
/*  original
        if(outfile){
            save_image(im, outfile);
        }
        else{
            save_image(im, "predictions");
#ifdef OPENCV
            cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            show_image(im, "predictions");
            cvWaitKey(0);
            cvDestroyAllWindows();
#endif
        }
*/

        if(outfile){
            save_image(im, outfile);
        }
        else{
            save_image(im, filename);
#ifdef OPENCV
            cvNamedWindow("detect_drawing", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("detect_drawing", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            show_image(im, "detect_drawing");
            //cvWaitKey(0);
            cvDestroyAllWindows();
#endif
        }

        free_image(im);
        free_image(sized);
        //if (filename) break;
        index++;
    }
}

批处理的图片用根目录的相对路径写在name.txt中。


3.返回每张图的检测目标数量

修改image.c，draw_detections函数，增加返回值

int draw_detections(image im, detection *dets, int num, float thresh, char **names, image **alphabet, int classes)
{
    int i,j;
    int n_t=0;//add detect_num

    for(i = 0; i < num; ++i){
        char labelstr[4096] = {0};
        int class = -1;
        for(j = 0; j < classes; ++j){
            if (dets[i].prob[j] > thresh){
            ++n_t;//add
                if (class < 0) {
                    strcat(labelstr, names[j]);
                    class = j;
                } else {
                    strcat(labelstr, ", ");
                    strcat(labelstr, names[j]);
                }
                printf("%s: %.0f%%\n", names[j], dets[i].prob[j]*100);
            }
        }
        if(class >= 0){
            int width = im.h * .006;

            /*
               if(0){
               width = pow(prob, 1./2.)*10+1;
               alphabet = 0;
               }
             */

            //printf("%d %s: %.0f%%\n", i, names[class], prob*100);
            int offset = class*123457 % classes;
            float red = get_color(2,offset,classes);
            float green = get_color(1,offset,classes);
            float blue = get_color(0,offset,classes);
            float rgb[3];

            //width = prob*20+2;

            rgb[0] = red;
            rgb[1] = green;
            rgb[2] = blue;
            box b = dets[i].bbox;
            //printf("%f %f %f %f\n", b.x, b.y, b.w, b.h);

            int left  = (b.x-b.w/2.)*im.w;
            int right = (b.x+b.w/2.)*im.w;
            int top   = (b.y-b.h/2.)*im.h;
            int bot   = (b.y+b.h/2.)*im.h;

            if(left < 0) left = 0;
            if(right > im.w-1) right = im.w-1;
            if(top < 0) top = 0;
            if(bot > im.h-1) bot = im.h-1;

            draw_box_width(im, left, top, right, bot, width, red, green, blue);
            if (alphabet) {
                image label = get_label(alphabet, labelstr, (im.h*.03));
                draw_label(im, top + width, left, label, rgb);
                free_image(label);
            }
            if (dets[i].mask){
                image mask = float_to_image(14, 14, 1, dets[i].mask);
                image resized_mask = resize_image(mask, b.w*im.w, b.h*im.h);
                image tmask = threshold_image(resized_mask, .5);
                embed_image(tmask, im, left, top);
                free_image(mask);
                free_image(resized_mask);
                free_image(tmask);
            }
        }
    }
    return n_t;//add
}

修改darknet.h

int draw_detections(image im, detection *dets, int num, float thresh, char **names, image **alphabet, int classes);//modify type

修改detector.c

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)
{
    int person_num=0;
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    char **names = get_labels(name_list);

    image **alphabet = load_alphabet();
    network *net = load_network(cfgfile, weightfile, 0);
    set_batch_network(net, 1);
    srand(2222222);
    double time;
    char buff[256];
    char *input = buff;
    float nms=.45;
    char **filelist = get_labels("name.txt");
    //while(1){
    int index = 0;
    while(filelist[index] != NULL){
            filename = filelist[index];
            printf("filename: %s\n", filename);
        if(filename){
            strncpy(input, filename, 256);
        } else {
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) return;
            strtok(input, "\n");
        }
        image im = load_image_color(input,0,0);
        image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
        layer l = net->layers[net->n-1];

        float *X = sized.data;
        time=what_time_is_it_now();
        network_predict(net, X);
        printf("%s: Predicted in %f seconds.\n", input, what_time_is_it_now()-time);
        int nboxes = 0;
        detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
        //printf("%d\n", nboxes);
        //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
        if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
        //printf("classes=%d\n", l.classes);
        person_num=draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
        free_detections(dets, nboxes);
        printf("%d\n", person_num);
/*  original
        if(outfile){
            save_image(im, outfile);
        }
        else{
            save_image(im, "predictions");
#ifdef OPENCV
            cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            show_image(im, "predictions");
            cvWaitKey(0);
            cvDestroyAllWindows();
#endif
        }
*/

        if(outfile){
            save_image(im, outfile);
        }
        else{
            save_image(im, filename);
#ifdef OPENCV
            cvNamedWindow("detect_drawing", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("detect_drawing", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            show_image(im, "detect_drawing");
            //cvWaitKey(0);
            cvDestroyAllWindows();
#endif
        }

        free_image(im);
        free_image(sized);
        //if (filename) break;
        index++;
    }
}


重新编译darknet，测试图像会在最后打印一行检测数量。






参考

https://blog.csdn.net/v1_vivian/article/details/78419059

https://blog.csdn.net/fffupeng/article/details/55050441

Gotta-C
关注
专栏目录
【YOLOV5 入门】——detect.py简单解析&模型检测&基于torch.hub的检测方法
weixin_51658186的博客
03-28 4897
我用YOLOv5与名侦探柯南邂逅！基于torch.hub的检测方法是一种利用PyTorch Hub的功能来进行目标检测任务的方法。在进行目标检测时，可以通过函数来加载PyTorch Hub中提供的目标检测模型，然后利用加载的模型进行目标检测任务。
yolov3 图像批量处理程序
q199502092010的博客
08-03 2947
yolov3批量测试代码，网上查找了一篇，稍有些问题，这里贴出修改后代码。原理就是在原有的程序上加了批量的内容。 参考博客：https://blog.csdn.net/xczexcel/article/details/80585776 void batch_process(char *datacfg, char *cfgfile, char *weightfile, char *read_...
yolo:客户端发送图片给服务器，服务器调用yolo算法解析图片，返回json
05-17
yolo 客户端发送图片给服务器，服务器调用yolo算法解析图片，返回json 由于yolo代码的限制，所以只能把本项目的文件复制到darnet根目录下再启动了
【YOLO学习】YOLOv3详解
最新发布
m0_62881487的博客
10-06 759
1. 与 YOLOv2 不同的是，YOLOv3 在 Darknet-19 里加入了 ResNet 残差连接，改进之后的模型叫 Darknet-53。在 ImageNet上 实验发现 Darknet-53 相对于 ResNet-152 和 ResNet101，不仅在分类精度上差不多，计算速度还比 ResNet-152 和 ResNet-101 快多了，网络层数也比它们少。2. YOLOv3 在三个不同的尺度上对框进行预测。使用类似于特征金字塔网络的概念从这些尺度上提取特征。
darknet-yolov3中python接口测试过程（从图片到网络再到返回结果）
xunan003的博客
07-17 4216
首先从darknet.py中main函数出发，如下： if __name__ == "__main__": #net = load_net("cfg/densenet201.cfg", "/home/pjreddie/trained/densenet201.weights", 0) #im = load_image("data/wolf.jpg", 0, 0) #met...
YOLOv8测试3：在Python中将YOLOv8模型封装成API接口使用（上传测试图片并返回识别结果，附测试代码）
默默找寻着，那于世而存的蛛丝马迹。
04-04 6709
本文在Python中将YOLOv8模型封装成API接口进行使用，通过调用封装好的API接口来实现自定义测试图片的上传，并返回识别结果。识别结果有两种：一种是完成识别后的图片；另一种是识别目标的类型，以及它们在图片中的坐标、大小，以文本形式返回。
yolov3--进行darknet_53输出以后从特征获取预测结果
weixin_44403602的博客
05-01 1131
对darknet_53输出的特征层中取预测结果 这是上一篇文章，darknet_53的主干网络：https://blog.csdn.net/weixin_44403602/article/details/116241877 接着上文，在完成darknet_53以后呢，会得到三个输出out,out2,out3，这是主干网络提取的特征，需要对这些特征进行预测处理。主要流程图就是下方所示啦： import torch import torch.nn as nn from collections import O
YOLOv3使用笔记——TensorRT加速-附件资源
03-02
YOLOv3使用笔记——TensorRT加速-附件资源
目标检测笔记——基于win10实现用darknet-yolov4结合opencv用C++实现实时检测
09-26
目标检测笔记——基于win10实现用darknet-yolov4结合opencv用C++实现实时检测，本方法没有用DNN推理，直接用opencv以及c++以及YOLOv4自带的yolo_v2.hpp,能很方便的部署到工业环境中
教女友学会python+yolov3调用笔记本摄像头——实时进行识别
qq_45504119的博客
05-04 7082
我终于回来啦，快一个月没有正式写博客了 最近忙着把老师交给我的项目完成，又从老师经费里白嫖了好多好玩的硬件，网课都没咋听，今天介绍完这个小点，马上就要准备看模电了 其实我做项目时完全从0开始，所接触的东西也是零零散散的，我想表达的东西用面向新手的方式写出来，之后开始介绍软硬件结合的东西。 环境：win10、py3.6、yolov3 1、准备工作 1、yolo3源代码：github_kera...
YOLOv3使用笔记——计算mAP、recall
热门推荐
Gotta-C的博客
05-31 3万+
1.批处理测试图输出检测结果文本 ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg results/yolov3-voc_final.weights -out detect_result.txt 使用detector valid参数，具体函数是detector.c下的validate_detector函数。将训练集的检测结果保存...
YOLOv3计算recall和mAP
sihaiyinan的博客
02-24 6222
yolov3计算mAP有两种方法，第一种是使用faster rcnn中的voc_eval.py进行计算，另一种是通过修改yolov3中的代码进行计算。相比较而言第一种方法简单一些。 方法一：使用voc_eval.py进行计算 在yolov3中运行vaild命令进行测试。vaild命令执行的代码如下 void validate_detector(char *datacfg, char *cf...
YOLOv3评估recall、precision等指标
cc__cc__的博客
02-07 3739
我使用的是voc格式数据集，训练方法详见上篇博客：YOLOv3训练自己的VOC数据集 一、生成检测结果txt文本 ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg xx.weight 如果没加-out选项则默认在results目录下生成txt文件，例如：comp4_det_test_car.txt 将生成的txt文件更名为 类别名...
linux下yolov3学习（三）：计算map，绘制precision-recall
babyzbb636的博客
09-04 3675
1输出记录目标位置信息的txt文件 可以使用valid命令，如下： ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_900.weights 其中voc.data内容如下：记得修改val classes= 1 #classes为训练样本集的类别总数 train = /h...
评估计算recall、precision、AP、F1、mAP（PyTorch-YOLOv3代码解析二）
YMilton的专栏
04-13 6745
目标检测评估计算（Python+Pytorch） 代码github地址：https://github.com/eriklindernoren/PyTorch-YOLOv3 1. 检测的评估函数 # reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.py def ap_per_class(tp, conf, pre
【YOLO-V3-SPP 源码解读】五、预测模块
qq_38253797的博客
06-16 3751
以下的全部内容都是yolo-v3-spp的预测模块 一、predict.py import os import json import time import torch import cv2 import argparse import numpy as np from matplotlib import pyplot as plt from build_utils import datasets from modules.model import DarkNet from train_val_uti.
yolov5 6.1 flask返回检测图片
weixin_49651327的博客
03-31 1990
yolov5 6.1 flask部署，可返回检测图片
python调用yolov3模型_深度学习之目标检测系列（7） -使用python调用运行 YOLO V3模型并在原图绘制预览...
weixin_39860583的博客
12-05 709
使用python调用yolo v3模型我们已经成功进行检测，但是如何将结果绘制到原图上呢？我们先分析一下返回的数据结构。使用python调用yolo v3模型返回结果如下：[(b'dog', 0.999338686466217, (224.18377685546875, 378.4237060546875, 178.60214233398438, 328.1665954589844)), (b'b...
java调用yolo模型识别目标
qq_39249947的博客
05-27 517
java调用yolo模型目标检测
评论 33
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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