YOLOv7调用摄像头检测报错解决

最新推荐文章于 2024-07-25 16:52:24 发布
最新推荐文章于 2024-07-25 16:52:24 发布
阅读量700 收藏 9
点赞数 9
文章标签： 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/cyh20182808/article/details/135746926
版权

yolov7detect.py文件调用本地摄像头，把source参数设为0

    parser.add_argument('--source', type=str, default='0', help='source')  # file/folder, 0 for webcam

报错：cv2.error: OpenCV(3.4.2) 一堆地址:The function is not implemented. Rebuild the library with Windows, GTK+ 2.x or Carbon support. If you are on Ubuntu or Debian, install libgtk2.0-dev and pkg-config, then re-run cmake or configure script in function 'cvShowImage'

我原本的环境里opencv-python版本是4.1.2.30

参考链接：The function is not implemented. Rebuild the library with Windows, GTK+ 2.x or Carbon support-CSDN博客

我的解决方法，卸载opencv-python

pip uninstall opencv-python

再重新安装

pip install opencv-python
pip install opencv-contrib-python

就好使了

KongTiaoXuLun
关注
  • 9
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
yolov5调用摄像头
09-21
在本教程中，我们将深入探讨如何使用YOLOv5来调用摄像头进行实时目标检测。 首先，YOLOv5的核心在于其网络架构，它采用了自注意力机制和多层次的特征融合，使得模型能够更好地捕捉不同尺度的目标。YOLOv5的训练过程...
基于ncnn的yolov5调用摄像头完成目标检测.zip
01-26
【标题】：“基于ncnn的yolov5调用摄像头完成目标检测” 在这个项目中，我们探讨了如何利用ncnn库来实现Yolov5模型对摄像头捕获的实时视频流进行目标检测。ncnn是一个高性能的C++库，特别为移动平台（如Android和...
【bugs】运行yolov7中detect.py进行本地摄像头的实时检测不显示图像
qq_39448789的博客
09-14 519
运行yolov7中detect.py进行本地摄像头的实时检测不显示图像。查看dectect.py，在打开摄像头之前调用了check_imshow()，该函数返回False。
搞定系列：yolov7目标检测封装成类调用
04-02
本课程主要核心是将yolov7框架封装成一个类，方便调用或者集成开发以及集成部署。通过本课程您将收获一下知识：（1）了解yolov7框架检测基本流程；（2）掌握目标检测封装类大体思路；（3）学会yolov7封装函数以测试；（4）学会利用封装类模块，进行API调用。本课程优点：（1）去掉课程无关的讲解，直击课程核心出发点，避免花费更多时间学习自己已经掌握知识，而着重掌握封装本质上来；（2）提供代码讲解和API示例，让同学们更快获取本课程核心内容；（3）课程简洁，重点课程重点讲解。学习本课程之前您需要准备的是（本课程不提供讲解）：（1）您需要提前搭建好自己yolov7环境，建议使用Anaconda3搭建；（2）您需要保证自己的环境正常运行，比如可以预测图片或者视频（3）您需要准备官方提供模型或者自己训练的模型本课程环境为windows10，您也可以在linux上操作，但需要一个带一块英伟达显卡。
基于YOLOv7算法的的高精度实时通用目标检测识别系统（PyTorch+Pyside6+YOLOv7）
sc1434404661的博客
12-03 828
2022年7月YOLOv7被提出与发布，论文发表在2023的计算机视觉顶级会议CVPR上，在YOLOv3和YOLOv4的官网上均挂上了YOLOv7的链接和说明，这说明YOLOv7已得到了大佬的认可。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
【camera】YOLOV7实现实例分割+目标检测任务（训练、测试、量化、部署）
03-27
【camera】YOLOV7实现实例分割+目标检测任务（训练、测试、量化、部署）
yolov7利用onnx进行推理同时调用usb摄像头
qq_55822954的博客
01-04 1549
yolov7利用usb摄像头进行onnx推理，亲测有效
yolov7 打开深度摄像头 realsences
secret125的博客
11-17 2405
小白向，yolov7打开realsences的rgb（deep也一样）
yolov5调用摄像头检测报错
慕溪同学的博客
03-27 1313
if ‘youtube.com/’ in url or ‘youtu.be/’ in url: # if source is YouTube videoTypeError: argument of type ‘int’ is not iterable
YOLOV7调用本地USB摄像头和自己训练的权重文件实时检测目标
weixin_45928925的博客
03-04 1920
YOLOV7调用本地USB摄像头和自己训练的权重文件实时检测目标
使用OpenCV自带的预训练模型YOLOv3调用摄像头进行目标检测【超少代码！懒人必备！】
11-14
包含 "yolov3.cfg"是模型的架构 "yolov3.weights"是预训练权重！ 不含TensorFlow和Pytorch，使用的OpenCV，非常方便，只有一个py文件，代码非常少，支持图片、视频、摄像头！非常好用！
基于yolov5和pyqt的可视化目标检测支持摄像头、视频和图像检测
03-15
为了实现摄像头检测，我们需要利用OpenCV库来捕获实时视频流。当用户选择摄像头模式时，程序会调用摄像头，并在PyQT5窗口中实时显示经过YOLOv5处理后的帧，即在物体周围绘制边界框。同时，为了提高用户体验，可以...
YOLOv7+单目测距（python）
积极向上的mr.d的博客
04-20 4269
yolov7+单目相机实现三维测距，Python版本，代码已开源
已解决训练自己yolov7检测模型时报错：AssertionError: train: No labels in XXX/XXX/train.cache.
ff_5_5_的博客
03-18 3341
但是经过上步修改后运行train.py还会报相同的错误时，这是因为前面运行了train.py文件，已在VOCdevkit/VOC2007文件夹下生成。（VOCdevkit/VOC2007是我存放自己数据集的路径）文件（不完整的），需要在下次运行前将train.cache文件。经过上面两个操作后重新运行train.py网络就开始训练了。函数中默认存放数据集图像的文件夹是images，需要。进行调试后，发现yolov7源代码在。，就能根据图像位置获得标签位置。
YOLOv7教程系列：三、使用onnx导出成openvino模型，并调用接口进行摄像头推理预测
weixin_45921929的博客
01-12 3296
YOLOv7教程系列：三、使用onnx导出成openvino模型，并调用接口进行摄像头推理预测
记一次OpenCv打开摄像头失败问题的处理
热门推荐
06-20 1万+
最近做一个项目要用到opencv调用摄像头，遇到一个问题让折腾我一晚上才搞定，为避免有人遇到和我同样的问题，在此做个记录。 问题描述：使用VideoCapture打开摄像头时，摄像头总是闪一下就关闭，查看错误信息发现有一行警告（[ WARN:0] Failed to set mediaType (stream 0, (640x480 @ 30) MFVideoFormat_RGB24(unsupported media type)），大意上是告诉我媒体类型不匹配，设置分辨率失败！ 网上搜了很多关于此
基于YOLOv8的火灾消防报警系统【基于YOLOV8的烟火识别系统】【可换多种权重训练】
最新发布
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
07-25 629
本研究通过多种渠道收集了丰富的火灾相关数据集。主要来源包括： 1. 杜伦大学公开数据库：该数据库提供了多样化的火灾场景图像，涵盖建筑物火灾、工业火灾、交通事故等紧急情况。数据集还包含无明显火势的紧急情况图像，以及具有类火特征（如日落）或红黄色物体的图像，增加了数据的多样性和难度。 2. 训练集与测试集： - 训练集包含240张50×50像素的图像，其中80张为火灾图像，160张为非火灾图像。 - 测试集由226张不同分辨率的图像组成，119张含有火焰，107张不含火焰。 3. 分割数据：数
yolov5调用摄像头检测
10-20
使用yolov5调用摄像头进行实时目标检测，可以通过以下步骤实现： 1. 安装yolov5和pyqt5库。 2. 在代码中导入yolov5和pyqt5库。 3. 加载yolov5模型。 4. 打开摄像头并读取视频流。 5. 对每一帧图像进行目标检测。 6. 在图像上绘制检测结果并显示。 下面是一个简单的示例代码： ``` import cv2 import torch from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtWidgets import QApplication, QLabel from yolov5.models.experimental import attempt_load from yolov5.utils.general import non_max_suppression, scale_coords from yolov5.utils.torch_utils import select_device # 加载yolov5模型 weights = 'yolov5s.pt' device = select_device('') model = attempt_load(weights, map_location=device) model.eval() # 打开摄像头并读取视频流 cap = cv2.VideoCapture(0) # 创建Qt应用程序和标签 app = QApplication([]) label = QLabel() label.show() while True: # 读取视频流中的一帧图像 ret, frame = cap.read() # 将图像转换为PyTorch Tensor img = torch.from_numpy(frame).permute(2, 0, 1).float().div(255.0).unsqueeze(0) # 将图像输入yolov5模型进行目标检测 with torch.no_grad(): detections = model(img)[0] detections = non_max_suppression(detections, conf_thres=0.5, iou_thres=0.5) # 在图像上绘制检测结果 if detections[0] is not None: detections = detections[0].cpu().numpy() detections[:, :4] = scale_coords(img.shape[2:], detections[:, :4], frame.shape).round() for x1, y1, x2, y2, conf, cls in detections: cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(frame, f'{int(cls)} {conf:.2f}', (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 将图像转换为QImage并显示在标签上 h, w, c = frame.shape qimg = QImage(frame.data, w, h, w * c, QImage.Format_RGB888) pixmap = QPixmap.fromImage(qimg) label.setPixmap(pixmap) # 等待一段时间并检查是否按下了退出键 if cv2.waitKey(1) == 27: break # 释放摄像头并关闭窗口 cap.release() cv2.destroyAllWindows() ```
评论
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