用python+YOLOV8图片车辆车距

1. 检测车辆：

使用深度学习模型（例如 YOLO、Mask R-CNN）来检测照片中的车辆，并得到每辆车的边界框（Bounding Box）。

工具与技术：

• YOLOv5/YOLOv8：高效的实时目标检测模型。
• OpenCV：进行边界框绘制和图像处理。
• Detectron2：适合高精度对象检测。

2. 计算两车的距离：

根据照片中两辆车的边界框，选择适当的点（例如中心点或边界最近点），计算这两个点的像素距离。

公式：

如果选择中心点作为测量依据：Distance=(x2−x1)2+(y2−y1)2\text{Distance} = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2}Distance=(x2​−x1​)2+(y2​−y1​)2​

其中：

• (x1,y1)(x_1, y_1)(x1​,y1​) 和 (x2,y2)(x_2, y_2)(x2​,y2​) 是两辆车中心点的像素坐标。

有许多现成的大模型可以用于目标检测和距离估算任务。以下是推荐的一些大模型及其使用场景：

---

1. YOLO 系列 (You Only Look Once)

• 特点：
  • 实时目标检测，速度快。
  • 可检测照片中的多个目标并返回边界框和类别信息。
• 模型版本：
  • YOLOv5 (最流行)
  • YOLOv8 (最新版本，支持更高精度和简单部署)
• 适用场景：
  • 检测照片中的车辆。
  • 通过边界框计算距离。
• 工具链：
  • PyTorch 实现：Ultralytics YOLO

---

2. Detectron2

• 特点：
  • Facebook AI 开发，支持多种高级任务，如目标检测、实例分割。
  • 精度高，适合需要精准定位的任务。
• 适用场景：
  • 检测车辆并输出更准确的边界框。
  • 如果车辆有遮挡，这个模型效果更好。
• 工具链：
  • 特点： 文档

---

3. Segment Anything Model (SAM)

• 特点：
  • Meta AI 开发，用于分割任何目标。
  • 输入一张图片，可以直接分割出车辆的轮廓。
• 适用场景：
  • 获取车辆的精确轮廓，便于更精准的距离计算。
  • 无需训练即可快速分割图像中的目标。
• 工具链：
  • SAM GitHub

---

4. OpenCV DNN 模块

• 特点：
  • 集成了常用的大模型，如 MobileNet-SSD、YOLO、ResNet。
  • 易于部署，不依赖复杂的深度学习框架。
• 适用场景：
  • 简单目标检测，不需要复杂模型部署时。
• 工具链：
  • OpenCV 官方文档：OpenCV DNN

---

5. DeepSORT（目标跟踪与检测结合）

• 特点：
  • 结合 YOLO 和目标跟踪算法。
  • 在多目标场景中，可持续跟踪车辆的位置。
• 适用场景：
  • 检测两辆车并在运动视频中实时更新它们的距离。

使用预训练的YOLOv8模型来检测车辆，并计算它们之间的距离。

第一步：需要下载的库

pip install opencv-python-headless  # 如果需要无头版本
pip install opencv-python           # 安装带有GUI支持的版本
pip install torch torchvision
pip install ultralytics

第二步：下载数据库，

要连接到 Microsoft SQL Server 数据库，您可以使用 pyodbc 或者 pymssql 这样的 Python 库。

需要下载插件 微软的

pip install pyodbc

第三步：demo

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from ultralytics import YOLO

# 加载预训练的YOLOv5模型
model = YOLO('yolov8s.pt')

# 读取图像
image_path = 'C:/Users/licam/Desktop/ba0f18d2d8b17488ad28f7cd587ea06.jpg'
image = cv2.imread(image_path)

# 使用YOLOv5进行检测
results = model(image)

# 获取检测结果
detections = results[0].boxes.xyxy.cpu().numpy()

# 定义像素到米的转换比例因子（根据实际情况调整）
PIXELS_TO_METERS = 0.05  # 每个像素代表0.01米


def calculate_distance(box1, box2):
    center1 = ((box1[0] + box1[2]) / 2, (box1[1] + box1[3]) / 2)
    center2 = ((box2[0] + box2[2]) / 2, (box2[1] + box2[3]) / 2)
    distance_pixels = ((center1[0] - center2[0]) ** 2 + (center1[1] - center2[1]) ** 2) ** 0.5
    distance_meters = distance_pixels * PIXELS_TO_METERS
    return distance_meters


# 存储所有距离信息以供打印
all_distances = []

# 绘制检测框和距离，并收集距离信息
for i in range(len(detections)):
    distances_text = ""
    for j in range(len(detections)):
        if i != j:
            distance = calculate_distance(detections[i], detections[j])
            distances_text += f'{distance:.2f}m\n'
            all_distances.append(f"Vehicle {i + 1} to Vehicle {j + 1}: {distance:.2f}m")

    distances_text = distances_text.rstrip('\n')
    top_left = (int(detections[i][0]), int(detections[i][1]) - 10)

    text_size, _ = cv2.getTextSize(distances_text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 1)
    if top_left[1] - text_size[1] < 0:
        top_left = (top_left[0], top_left[1] + text_size[1] + 10)

    cv2.putText(image, distances_text, top_left, cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1, cv2.LINE_AA)

    cv2.rectangle(image, (int(detections[i][0]), int(detections[i][1])),
                  (int(detections[i][2]), int(detections[i][3])), (0, 255, 0), 2)

# 打印所有车辆之间的距离
print("Distances between vehicles:")
for dist in all_distances:
    print(dist)

# 保存处理后的图像
output_image_path = 'C:/Users/licam/Desktop/processed_image_with_distances.jpg'
cv2.imwrite(output_image_path, image)

print(f"\nProcessed image saved to: {output_image_path}")

# 显示图像
cv2.imshow('Detected Vehicles', image)
cv2.waitKey(0)
cv2.destroyAllWindows()