基于可见光的巡航——目标检测+跟踪

最新推荐文章于 2024-08-09 15:31:03 发布

darwintk

最新推荐文章于 2024-08-09 15:31:03 发布

阅读量140

点赞数

文章标签：目标检测计算机视觉目标跟踪

本文链接：https://blog.csdn.net/darwintk/article/details/130600133

版权

该项目利用YOLOV8进行目标检测，SORT实现目标跟踪，应用于电力巡检中确保供电安全。代码可在AidLux平台上获取，支持手机等移动设备部署。用户需将tflite模型部署到设备上，进行摄像头或图片的目标识别与跟踪。

摘要由CSDN通过智能技术生成

基于可见光的巡航——目标检测+跟踪

项目简介

电力巡检主要是对电力部件、异物进行巡检，保障电力系统的供电安全

项目方案

本次项目主要使用yolov8进行目标检测，使用sort进行目标跟踪

项目代码可从AidLux微信公众号获取

部署代码：AidLux_2304_electric_power/YOLOv8_AidLux at main · darwintk/AidLux_2304_electric_power · GitHub

部署模型：8086_best_float32.tflite

模型百度网盘链接：百度网盘请输入提取码提取码：zxoo

作业要求

将提供的tflite模型部署在手机或其他移动设备端，读取本地图片或调用手机摄像头进行识别

目标检测项目上传和运行

摄像头检测

YOLOv8_AidLux代码对应着yolov8目标检测在AidLux上的部署代码

修改yolov8_cls48.py,中的model_path后，可以通过手机后置摄像头对目标进行识别

效果如下：

AidLux训练营

图像检测

在yolov8_cls48.py的基础上修改出yolov8_cls48_img.py，并运行即可对本地图片进行检测，代码如下：

# aidlux相关
from cvs import *
import aidlite_gpu
from utils import detect_postprocess, preprocess_img, draw_detect_res, scale_boxes
import time
import cv2

# tflite模型
model_path = '/home/code/YOLOv8_AidLux/models/best_float32.tflite'
# 定义输入输出shape
in_shape = [1 * 640 * 640 * 3 * 4]  # HWC, float32
out_shape = [1 * 8400 * 52 * 4]  # 8400: total cells, 52 = 48(num_classes) + 4(xywh), float32

# AidLite初始化
aidlite = aidlite_gpu.aidlite()
# 载入模型
res = aidlite.ANNModel(model_path, in_shape, out_shape, 4, 0)
print(res)

''' 读取本地图片 '''
image_path = "/home/code/YOLOv8_AidLux/samples/000000.jpg"
image = cv2.imread(image_path)
''' 读取本地视频 '''
# cap = cvs.VideoCapture('/codes/Face_Rec/test/videos/Kuangbiao2.mp4')
''' 读取手机后置摄像头 '''
# cap = cvs.VideoCapture(0)
frame = image
time0 = time.time()
sz = frame.shape
print(sz)
# 预处理
img = preprocess_img(frame, target_shape=(640, 640), div_num=255, means=None, stds=None)
frame_id = 0
aidlite.setInput_Float32(img, 640, 640)
# 推理
aidlite.invoke()
preds = aidlite.getOutput_Float32(0)
preds = preds.reshape(1, 52, 8400)
preds = detect_postprocess(preds, frame.shape, [640, 640, 3], conf_thres=0.25, iou_thres=0.45)
print('1 batch takes {} s'.format(time.time() - time0))
if len(preds) != 0:
        preds[:, :4] = scale_boxes([640, 640], preds[:, :4], frame.shape)
        frame = draw_detect_res(frame, preds)
cvs.imshow(frame)
cv2.imwrite("./out/frame_best_float32.jpg",frame)

检测结果如下：