基于YOLOv5+单目的物体距离和尺寸测量

已于 2024-05-05 21:41:56 修改
阅读量3.7k 收藏 30
点赞数 11
分类专栏： YOLO从入门到精通 单目+双目 文章标签： YOLO 计算机视觉 人工智能 opencv 机器学习
于 2024-01-10 17:04:10 首次发布
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/qq_53545309/article/details/135507927
版权
本文介绍了YOLOv5的目标检测原理，并详细阐述了利用单目相机通过相似三角形法计算物体距离和尺寸的原理。通过实例展示了如何计算物体与相机的距离，以及如何反推出物体的实际尺寸。YOLOv5因其高速、高精度和易用性在目标检测领域表现出色。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

1，YOLOv5原理介绍

2,单目测尺寸以及距离原理

2.1单目测物体距离

2.2单目测物体尺寸

3，成果展示

3.3测距离

3.2测尺寸：

1，YOLOv5原理介绍

YOLOv5是目前应用广泛的目标检测算法之一，其主要结构分为两个部分：骨干网络和检测头。

骨干网络采用的是CSPDarknet53，这是一种基于Darknet框架的改进版卷积神经网络。CSPDarknet53通过使用残差结构和跨层连接来提高网络的表达能力，并且采用了空洞空间金字塔池化（ASPP）来实现多尺度的信息提取。这样设计的骨干网络具有较强的特征提取能力，可以有效地提取出图像中的目标信息。

检测头是YOLOv5的另一个关键组成部分，主要用于从骨干网络特征图中提取目标检测信息。它由三个子模块组成：SPP、PAN和YOLOv5输出层。

SPP模块：空洞空间金字塔池化模块，用于对特征图进行多尺度的池化和下采样操作，从而实现对不同大小的目标进行检测。

PAN模块：特征金字塔自上而下的路径，用于将不同层次的特征图融合在一起，并进行上采样操作，以便将低分辨率的特征图与高分辨

了解本专栏 订阅专栏 解锁全文
YOLOv5+单目测量物体尺寸（python）
积极向上的mr.d的博客
05-05 6938
yolov5结合单目相机测量物体的真实尺寸，详细步骤见文章
基于YOLO算法与intel深度相机三维测量（工件尺寸和物体尺寸）
weixin_45303602的博客
10-12 5470
Intel RealSense D435、D455等D4系列：Intel D4系列深度相机是由英特尔（Intel）公司推出的一款深度感知摄像头，专为实现计算机视觉和深度学习应用而设计。这款相机使用了英特尔的深度感知技术，结合了摄像头和红外（IR）传感器，可以提供高质量的深度图像和 RGB 彩色图像，为开发者提供了丰富的数据源，用于各种应用，包括虚拟现实（VR）、增强现实（AR）、手势识别、人脸识别、姿势识别、3D 扫描等。
YOLOv5+单目实现测距（python），原理比较简单
05-09
YOLOv5(PyTorch)目标检测：原理与源码解析 YOLOv5+单目实现测距（python），原理比较简单
YOLOv5+单目测距（python）
05-22
1. 相关配置 系统：win 10 YOLO版本：yolov5 6.1 拍摄视频设备：安卓手机 电脑显卡：NVIDIA 2080Ti（CPU也可以跑，GPU只是起到加速推理效果） 2. 测距原理 单目测距原理相较于双目十分简单，无需进行立体匹配，仅需利用下边公式线性转换即可： D = (F*W)/P 1 其中D是目标到摄像机的距离, Ｆ是摄像机焦距（焦距需要自己进行标定获取）, W是目标的宽度或者高度（行人检测一般以人的身高为基准）, P是指目标在图像中所占据的像素 了解基本原理后，下边就进行实操阶段 3. 相机标定 3.1：标定方法1 可以参考张友正标定法获取相机的焦距 3.2：标定方法2 直接使用代码获得焦距，需要提前拍摄一个矩形物体，拍摄时候相机固定，距离被拍摄物体自行设定，并一直保持此距离，背景为纯色，不要出现杂物；最后将拍摄的视频用以下代码检测： import cv2 win_width = 1920 win_height = 1080 mid_width = int(win_wid
单目测距（yolo-目标检测+标定+深度学习目标检测_测距）
最新发布
QQ_1309399183的博客
01-28 1285
单目测距（yolo-目标检测+标定+深度学习目标检测_测距）
基于YOLO算法的单目相机2D测量（工件尺寸和物体尺寸）
weixin_45303602的博客
10-12 6409
1.1 2D测量技术基于单目相机的2D测量技术在许多领域中具有重要的背景和意义。工业制造：在工业制造过程中，精确测量是确保产品质量和一致性的关键。基于单目相机的2D测量技术可以用于检测和测量零件尺寸、位置、形状等参数，进而实现自动化生产和质量控制。通过实时监测并反馈测量结果，可以快速发现和纠正生产中的偏差，提高产品的一致性和合格率。计算机视觉：单目相机作为计算机视觉的传感器之一，能够捕捉并记录场景中的图像信息。基于单目相机的2D测量技术可以通过对图像进行处理和分析来提取目标物体的特征和参数。
基于视觉方案の车辆速度、距离估计
whaosoft143ai的博客
11-17 284
论文名称：Vision-based Vehicle Speed Estimation: A Survey在精确检测车速车距的方案中，视觉方案是非常具有挑战性的，但由于没有昂贵的距离传感器而大幅降低成本，所以潜力巨大。本文综述了基于视觉的车辆速度、距离估计。并建立了一个完整的分类法，对大量工作进行分类，对涉及的所有阶段进行分类。除此之外，还提供了详细的性能评估指标和可用数据集概述。最后，论文讨论了当前的局限性和未来的方向。应用背景 车辆速度的准确估计是智能交通系统（ITS）的关键组成，这需要解决诸如同步数据记
yolov5单目相机测距实现
ponnyao学习笔记
07-20 4605
使用单目相机在yolov5中实现测距，毕竟是单目，一点误差。
【YOLO简单测距】单目测距——基于YOLOv5的单目深度估计算法的实现
2301_78753314的博客
07-06 4382
基于YOLOv5实现单目摄像头测距、深度估计。
YOLOV5 + PYQT5单目测距（四）
积极向上的mr.d的博客
06-10 3741
电脑显卡：NVIDIA 2080Ti（CPU也可以跑，GPU只是起到加速推理效果）在文件目录下创建一个main-ceju-pyqt.py文件，将以下代码写入此文件。实验采用的是一个博主的开源代码，以此代码为基础添加了测距部分，下载。将以下代码写入distance.py文件。具体焦距怎么获得，可以参考我的这篇文章。YOLO版本：yolov5 5.0。接着再pycharm设置里配置一下。有关PYQT的内容大致就做到这里。工具1：Qt Designer。拍摄视频设备：安卓手机。首先安装一下pyqt5。
YOLOv5+单目测距（python）_yolov5单目测距(1)
2401_84004078的博客
04-08 922
然后将相机焦距写进测距代码distance.py文件里，这里行人用高度表示，根据公式 D = (F*W)/P，知道相机焦距F、行人的高度66.9（单位英寸→170cm/2.54）、像素点距离 h，即可求出相机到物体距离D。直接使用代码获得焦距，需要提前拍摄一个矩形物体，拍摄时候相机固定，距离被拍摄物体自行设定，并一直保持此距离，背景为纯色，不要出现杂物；主要是把测距部分加在了画框附近，首先提取边框的像素点坐标，然后计算边框像素点高度，在根据 公式 D = (F*W)/P 计算目标距离。
基于yolov5的单目测距系统源码（毕业设计）.zip
11-15
基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip基于yolov5的单目测距系统源码（毕业设计）.zip
YOLOv9+单目测距（python）
03-27
YOLOv9+单目测距（Python）是深度学习领域中的一个应用，结合了目标检测框架YOLOv9和单目视觉测距技术。在本文中，我们将深入探讨这两个关键概念，以及如何使用Python来实现它们。 首先，让我们了解YOLOv9。YOLO，...
基于yolov5的单目测距系统和双目测距系统项目完整代码+全部资料（毕业设计）
08-16
基于yolov5的单目测距系统和双目测距系统项目完整代码+全部资料（毕业设计），文件说明 ShuangMu文件夹的输入是左右图片，输出是深度图和点云。用于处理MiddleBurry数据集的图片。 ShuangMuMy3D文件夹的输入是左右...
深度学习目标检测中的_yolov5单目测距+速度测量+目标跟踪_算法介绍
2401_86822270的博客
01-28 872
深度学习目标检测中的_yolov5单目测距+速度测量+目标跟踪_算法介绍
基于yolov5的单目测距实现与总结+相机模型+标定
weixin_43868576的博客
03-21 5180
yolov5，相机标定，相机模型以及单目测距
YOLOV5目标检测+单目测距（有中文计数输出）
m0_66920337的博客
07-08 1137
"到摄像机的距离{dis_cm}厘米（{colour}）"#integerclass整数类1111111111。#integerclass整数类1111111111。#integerclass整数类1111111111。#integerclass整数类1111111111。以上是YOLOV5环境配置，下面开始正式步骤。在YOLOv5-master添加以下代码。并对detect,py进行修改。# 自定义函数，单目测距。文件拷贝到项目根根目录。改名为My.yaml。然后就可以开始训练了。
YOLO v5与双目测距结合，实现目标的识别和定位测距
热门推荐
qq_40700822的博客
07-08 7万+
系环境：VMware Fusion 虚拟机 Ubuntu18.04 CPU: intel core i7 8750H python版本：python3.6.13（anaconda安装的python3.6的虚拟环境） yolov5模型版本：YOLO v5s 双目摄像头间距：12cm 双目摄像头输出分辨率为：2560*720。 1、首先安装YOLO v5 YOLO v5的安装请参考我的另一篇博客：https://blog.csdn.net/qq_40700822/article/details/11848759
yolov5+单目测距+目标检测
weixin_43521278的博客
11-21 2737
视频中采用yolov5和单目相机拍摄的视频进行目标检测和测距。
YOLOv5+单目测量物体尺寸
11-23
以下是YOLOv5+单目测量物体尺寸的步骤： 1.相关配置 首先，需要安装YOLOv5和OpenCV库。可以使用以下命令安装： ```shell !git clone https://github.com/ultralytics/yolov5.git !pip install opencv-python ``` 2.测距原理 单目测距是通过计算物体在图像上的像素大小和实际物体大小之间的比例来实现的。这个比例可以通过相机标定来获得。 3.相机标定 相机标定是通过拍摄已知大小的物体来确定相机的内部参数和外部参数。这里介绍两种标定方法。 3.1：标定方法1（针对图片） 首先，需要准备一组已知大小的棋盘格图片。然后，使用以下代码进行标定： ```python import numpy as np import cv2 # 准备棋盘格图片 objp = np.zeros((6*7, 3), np.float32) objp[:, :2] = np.mgrid[0:7, 0:6].T.reshape(-1, 2) objpoints = [] # 存储物体点 imgpoints = [] # 存储图像点 images = glob.glob('*.jpg') # 图片路径 for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, (7, 6), None) if ret == True: objpoints.append(objp) imgpoints.append(corners) cv2.drawChessboardCorners(img, (7, 6), corners, ret) cv2.imshow('img', img) cv2.waitKey(500) cv2.destroyAllWindows() # 标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) ``` 3.2：标定方法2（针对视频） 首先，需要准备一段包含已知大小的棋盘格的视频。然后，使用以下代码进行标定： ```python import numpy as np import cv2 # 准备棋盘格图片 objp = np.zeros((6*7, 3), np.float32) objp[:, :2] = np.mgrid[0:7, 0:6].T.reshape(-1, 2) objpoints = [] # 存储物体点 imgpoints = [] # 存储图像点 cap = cv2.VideoCapture('calibration_video.mp4') # 视频路径 while True: ret, frame = cap.read() if ret == True: gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, (7, 6), None) if ret == True: objpoints.append(objp) imgpoints.append(corners) cv2.drawChessboardCorners(frame, (7, 6), corners, ret) cv2.imshow('frame', frame) cv2.waitKey(500) else: break cv2.destroyAllWindows() # 标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None) ``` 4.相机测距 4.1 测距添加 在YOLOv5的detect.py文件中添加以下代码： ```python def get_distance(bbox, focal_length): # 计算物体在图像上的像素大小 pixel_width = bbox[2] - bbox[0] pixel_height = bbox[3] - bbox[1] pixel_size = (pixel_width + pixel_height) / 2 # 计算物体在实际世界中的大小 real_size =
评论 2
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

打赏作者

今夕是何年，

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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