Henry的博客

车牌识别是计算机视觉的经典任务，通过图像技术对车牌处理、定位和识别单张图片的车牌识别：视频信息中的车牌识别：项目实现较为简单，文末有全部代码，也可以在这里下载：车牌识别Hyperlpr 是基于深度学习的车牌识别库，环境的配置查看requirements文件代码很简单，单张图片的代码如下：其中 res_all = HyperLPR_plate_recognition(image) # 预测结果，可用print打印显示返回结果：[['京Q58A77', 0.979618489742279, [353, 4

下载后保存在：work_dir/SAM/sam_vit_b_01ec64.pth 目录。

Opencv 中提供了三种人脸识别的方法，分别是三种方法都是通过对比样本特征最终实现人脸识别因为三种算法特征提取的方式不一样，侧重点均有不同，并不能说那种方式优越，这里对三种方法进行讲解和实验这里类似于深度学习模式，通过对样本图像训练，然后预测识别人脸与之不同的是，这里的样本极少，往往只需要三四张图片即可，并且这里的人脸识别可以具体分类出是哪个人。

opencv 提供级联分类器除了识别人脸外，还可以检测其他的物体。

人脸识别是基于人的脸部特征信息进行身份识别的--种生物识别技术，也是计算机视觉重点发展的技术。机械学习算法诞生之后，计算机可以通过摄像头等输入设备自动分析图像中包含的内容信息，随着技术的不断发展，现在已经有了多种人脸识别的算法。人脸跟踪是让计算机在一幅画面中找出人脸的位置。计算机还达不到人类的智能水平，在检测人脸的过程中实际上是在做“分类”操作。例如，计算机发现图像中有一些像素组成了眼睛的特征，那这些像素就有可能是“眼睛”。

通过cv dnn模块对yolo v3的cfg文件和预训练权重的读取实现对本地摄像头和视频文件的检测

通过 opencv 实现 YOLOV3 的图像检测

基于pytorch的预训练模型(resnet34)到ONNX的图像识别，本地部署摄像头、视频识别

将预训练模型resnet转为通用格式ONNX，并对单张图像进行识别

本章完成的功能是MobileNet v3网络对图像的识别。包括对单张图像的识别，对电脑显示屏固定区域的识别，以及调取摄像头和读取视频文件的实时图像识别。因为MobileNet 系列的网络是一个轻量级的网络，因此网络的参数相对较小，在牺牲一点精度的情况下可以对速度大幅度提升如图，是文件目录，下面做详细介绍这里使用的是官方训练好的MobileNet V3网络权重，放到pre_model 目录下。

ResNet 训练CIFAR10数据集，并做图片分类My_githubResNet 图像分类。

之前做的用PyQT做的GUI窗口分类图像，然后打包成exe的方法有些过时了这次用的方法时用streamlit将神经网络部署成一个webLeNet.pth 是训练好的网络参数predict 是做预测用的main 是搭建web 的代码image 包含一个dog.jpg 是默认web显示的图片剩下两个txt文件这里可以不需要pytorch 实现图像分类+web部署图像分类最后实现的效果展示：默认打开网站显示：上传图片后显示：大概的实现思路为：1. 用pytorch搭建一个预测网络。

这次文章目的是用PyQT做一个实际的项目因为图像分类的网络通过主流的网络框架很容易实现，但是想要真实的预测图像的话，之前的方法都是再pycharm里面生成一个predict.py文件。然后再里面用PIL去读取图像，传递给网络后再pycharm里面进行输出预测由于这样的方式预测图像很麻烦，而且电脑上没有python解释器的话，就没办法使用。所以，初步的想法是生成一个exe可执行文件，这样windows平台上都可以运行。然后为了方便传入图像，这里会建立一个粗糙的GUI界面，通过图形化的方式传入图片。