Python+Yolov8+ONNX实时缺陷目标检测

最新推荐文章于 2024-06-30 10:14:22 发布
最新推荐文章于 2024-06-30 10:14:22 发布
阅读量1.5k 收藏 29
点赞数 2
分类专栏： 深度学习 文章标签： python YOLO 目标检测 ONNX
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_53762188/article/details/130935611
版权
该文介绍了使用YOLOv8模型结合ONNX进行图像缺陷检测的过程，包括模型转换、输入图像尺寸调整、图像归一化、推理、结果筛选、像素还原、重叠区域处理以及实时摄像头图像的处理。通过这些步骤，实现了对图片中缺陷的高效定位和标记，并优化了程序逻辑，降低了运行时间，增加了实时检测功能。
摘要由CSDN通过智能技术生成

相比于上一篇Windows10+Python+Yolov8+ONNX图片缺陷识别，并在原图中标记缺陷，有onnx模型则无需配置，无需训练。

优化了程序逻辑，降低了程序运行时间，增加了实时检测功能

目录

1、模型转换

2、查看模型结构

3、修改输入图片的尺寸

4、 图像数据归一化

5、模型推理

6、推理结果筛选

7、像素还原

8、筛选重叠面积

9、标记缺陷

10、全局变量设置

11、读取摄像头图像

12、完整代码

1、模型转换

通过训练得到的模型是pt文件，我们需要转换为onnx文件

from ultralytics import YOLO
 
# 加载模型
model = YOLO("models\\best.pt")
 
# 转换模型
model.export(format="onnx")

2、查看模型结构

通过以下网站来查看onnx模型结构

best.onnx (netron.app)

 ​

 可以得到，输入图片的尺寸要求为3*640*640，输出结果为float32的n*8400二维数组，n为数据集缺陷种类的数量

3、修改输入图片的尺寸

为防止图片畸变，所以需要将图片修改为如下形状

​

import onnxruntime
import numpy as np
import tkinter
from tkinter import filedialog
import random
import cv2

# 弹出文件选择框，让用户选择要打开的图片
filepath = tkinter.filedialog.askopenfilename()
# 如果用户选择了一个文件，则加载该文件并显示
if filepath != '':
    # 读取图片
    image = cv2.imread(filepath)
    # 获取图像尺寸
    h, w = image.shape[:2]
    # 将BGR图像转换为RGB图像
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    # 尺寸变换
    if h > w:
        img = cv2.resize(image, (int(w / h * 640) , 640))
    else:
        img = cv2.resize(image, (640 , int(h / w * 640)))

    # 创建单色背景图像
    background = np.zeros((640, 640, 3), np.uint8)
    background[:] = (255, 0, 0)  
    # 将图像居中放置
    x_offset = (640 - img.shape[1]) // 2
    y_offset = (640 - img.shape[0]) // 2
    background[y_offset:y_offset+img.shape[0], x_offset:x_offset+img.shape[1]] = img
    
    # 显示图片
    cv2.imshow('Result', background)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

4、 图像数据归一化

为了方便深度学习模型对图片数据进行推理，需要对读入图片进行归一化处理

# 将像素值转换为浮点数，并将其归一化到0~1之间
img = image.astype(np.float32) / 255.0   
    
# 将图像从HWC格式转换为CHW格式
img = np.transpose(img, (2, 0, 1))
# 将图像从CHW格式转换为NCHW格式，批次大小为1
img = np.expand_dims(img, axis=0)

5、模型推理

将修改好的图像数据，用onnx模型推理工具进行推理，得到n*8400二维数组的推理结果，n为数据集缺陷种类的数量

# onnx测试
session = onnxruntime.InferenceSession(onnx_model_path)
inputs = {session.get_inputs()[0].name: image}
logits = session.run(None, inputs)[0]

# 将输出转换为二维数组
# 将(1, 9, 8400)的形状转换为(9, 8400)的形状
output = logits.reshape((9, -1))
# 将二维数组转置为(8400, 9)的形状
output = output.transpose((1, 0))

6、推理结果筛选

9*8400二维数组转成8400*9方便处理，9列数据分别表示了检测框的中心x坐标、y坐标、宽度、高度、每个缺陷的置信系数

​

 需要筛选出缺陷置信系数大于阈值的检测框

# 缺陷位置和缺陷置信系数
selected = np.zeros((0, 9))
# 缺陷置信系数
Thresh = np.zeros((0, 1))
# 缺陷类型
typ = np.zeros((0, 1), dtype=int)

i = 0
# 循环遍历每一行,筛选大于阈值的缺陷
for n in range(num.shape[0]):
    # 如果第4~8列中有大于阈值的元素
    if np.any(num[n, 4:] > threshold):
        # 将这一行添加到selected数组中
        selected = np.vstack((selected, num[n]))

        # 如果第4列大于阈值
        if selected[i, 4] == max(selected[i, 4:]):
            # 将type数组第i个元素赋值为缺陷类型0
            typ = np.vstack((typ, 0))
            # 将Thresh数组第i个元素赋值为缺陷类型0的阈值
            Thresh = np.vstack((Thresh, selected[i, 4]))
        elif selected[i, 5] == max(selected[i, 4:]):
            typ = np.vstack((typ, 1))
            Thresh = np.vstack((Thresh, selected[i, 5]))
        elif selected[i, 6] == max(selected[i, 4:]):
            typ = np.vstack((typ, 2))
            Thresh = np.vstack((Thresh, selected[i, 6]))
        elif selected[i, 7] == max(selected[i, 4:]):
            typ = np.vstack((typ, 3))
            Thresh = np.vstack((Thresh, selected[i, 7]))
        elif selected[i, 8] == max(selected[i, 4:]):
            typ = np.vstack((typ, 4))
            Thresh = np.vstack((Thresh, selected[i, 8]))
        i = i + 1

7、像素还原

将筛选结果还原成原图像素点坐标

# 获取selected数组的第0、1、2和3列，分别对应缺陷中心x，y坐标，宽度，高度
x_center = select[:, 0]
y_center = select[:, 1]
width = select[:, 2]
height = select[:, 3]

# 计算左上角坐标
x_min = x_center - width / 2
y_min = y_center - height / 2

# 创建bbox数组，将左上角坐标和宽度、高度存储进去
bbox = np.zeros((select.shape[0], 6))
bbox[:, 0] = x_min
bbox[:, 1] = y_min
bbox[:, 2] = width
bbox[:, 3] = height
# 将type数组和Thresh数组分别添加到bbox数组的第4列和第5列
bbox[:, 4] = typ
bbox[:, 5] = thresh
# 图像比例恢复
if h > w:
    bbox[:, :4] *= (h/640)
    bbox[:, 0] -= (h/2-w/2)
else:
    bbox[:, :4] *= (w/640)
    bbox[:, 1] -= (w/2-h/2)

# 将二维数组转换为二维列表
my_list = [list(row) for row in bbox]
# 将 0~4 列转换为 int 型，5 列转换为 float 型
for i in range(len(my_list)):
    for j in range(len(my_list[i])):
        if j < 5:
            my_list[i][j] = int(my_list[i][j])
        else:
            my_list[i][j] = float(my_list[i][j])

8、筛选重叠面积

根据阈值去除同一缺陷种类的重复检测框

i = 0
bbox = sorted(bbox, key=lambda x: x[3])
while i < (len(bbox) - 1):
    if bbox[i][4] == bbox[i + 1][4]:
        # 计算两个框之间的重叠面积
        x1 = max(bbox[i][0], bbox[i + 1][0])
        y1 = max(bbox[i][1], bbox[i + 1][1])
        x2 = min(bbox[i][0] + bbox[i][2], bbox[i + 1][0] + bbox[i + 1][2])
        y2 = min(bbox[i][1] + bbox[i][3], bbox[i + 1][1] + bbox[i + 1][3])
        
        intersection = (x2 - x1) * (y2 - y1)
        area1 = bbox[i][2] * bbox[i][3]
        area2 = bbox[i + 1][2] * bbox[i + 1][3]
        nms = 1 - intersection / (area1 + area2 - intersection)
        # print(nms) 
        
        # 去除多余框
        if nms < threshold and bbox[i][5] >= bbox[i + 1][5]:
            del bbox[i + 1]
        elif nms < threshold and bbox[i][5] < bbox[i + 1][5]:
            del bbox[i]
        elif nms > threshold:
            i = i + 1
    else:
        i = i + 1

9、标记缺陷

根据处理完的缺陷位置信息，使用方框将缺陷标记出来

​

global colors
global labels
    
# 循环遍历 bbox 列表中的每一行
for bbox in bbox_list:
    # 获取方框的左上角坐标和宽度、高度
    x, y, w, h = bbox[:4]
    # 在方框左上角上加上缺陷类型和置信系数
    defect_type = bbox[4]
    confidence = bbox[5]
    
    # 绘制方框
    cv2.rectangle(img, (x, y), (x + w, y + h), colors[defect_type], 2)
    str_confidence = "{:.3f}".format(confidence)      
    cv2.putText(img, labels[defect_type] + ' ' + str_confidence, (x, y - 5),
                cv2.FONT_HERSHEY_SIMPLEX, 2, colors[defect_type], 3)

    cv2.imshow("result", img)

10、全局变量设置

# 初始化全局变量
colors = []
with open('type.names', 'r') as f:
    labels = f.read().splitlines()
# 生成缺陷种类数量的随机颜色值
for _ in range(len(labels)):
    color = (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))
    colors.append(color)

11、读取摄像头图像

# 读取摄像头cv.VideoCapture(设备号)
cap = cv2.VideoCapture(0)

while True: 
    # 得到每帧图像, cap.read(是否有图像True或者false, 图像)
    ret_flag, Vshow = cap.read()  
    
    。。。。

    # 连续读取的时候需要把参数设置为1或更高
    if cv2.waitKey(1) == 27:  
        break

12、完整代码

import onnxruntime
import numpy as np
import tkinter
from tkinter import filedialog
import random
import cv2

def resize_image(image, h, w):
    # 将BGR图像转换为RGB图像
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    # 尺寸变换
    if h > w:
        img = cv2.resize(image, (int(w / h * 640) , 640))
    else:
        img = cv2.resize(image, (640 , int(h / w * 640)))

    # 创建单色背景图像
    background = np.zeros((640, 640, 3), np.uint8)
    background[:] = (255, 0, 0)  
    # 将图像居中放置
    x_offset = (640 - img.shape[1]) // 2
    y_offset = (640 - img.shape[0]) // 2
    background[y_offset:y_offset+img.shape[0], x_offset:x_offset+img.shape[1]] = img
    
    return background

def nchw_image(image):
    # 将像素值转换为浮点数，并将其归一化到0~1之间
    img = image.astype(np.float32) / 255.0   
    
    # 将图像从HWC格式转换为CHW格式
    img = np.transpose(img, (2, 0, 1))
    # 将图像从CHW格式转换为NCHW格式，批次大小为1
    img = np.expand_dims(img, axis=0)
    
    return img

def onnx(image, onnx_model_path):
    # onnx测试
    session = onnxruntime.InferenceSession(onnx_model_path)
    inputs = {session.get_inputs()[0].name: image}
    logits = session.run(None, inputs)[0]

    # 将输出转换为二维数组
    # 将(1, 9, 8400)的形状转换为(9, 8400)的形状
    output = logits.reshape((9, -1))
    # 将二维数组转置为(8400, 9)的形状
    output = output.transpose((1, 0))

    return output
   
def select(num, threshold):
    # 缺陷位置和缺陷置信系数
    selected = np.zeros((0, 9))
    # 缺陷置信系数
    Thresh = np.zeros((0, 1))
    # 缺陷类型
    typ = np.zeros((0, 1), dtype=int)

    i = 0
    # 循环遍历每一行,筛选大于阈值的缺陷
    for n in range(num.shape[0]):
        # 如果第4~8列中有大于阈值的元素
        if np.any(num[n, 4:] >= threshold):
            # 将这一行添加到selected数组中
            selected = np.vstack((selected, num[n]))

            # 如果第4列大于阈值
            if selected[i, 4] == max(selected[i, 4:]):
                # 将type数组第i个元素赋值为缺陷类型0
                typ = np.vstack((typ, 0))
                # 将Thresh数组第i个元素赋值为缺陷类型0的阈值
                Thresh = np.vstack((Thresh, selected[i, 4]))
            elif selected[i, 5] == max(selected[i, 4:]):
                typ = np.vstack((typ, 1))
                Thresh = np.vstack((Thresh, selected[i, 5]))
            elif selected[i, 6] == max(selected[i, 4:]):
                typ = np.vstack((typ, 2))
                Thresh = np.vstack((Thresh, selected[i, 6]))
            elif selected[i, 7] == max(selected[i, 4:]):
                typ = np.vstack((typ, 3))
                Thresh = np.vstack((Thresh, selected[i, 7]))
            elif selected[i, 8] == max(selected[i, 4:]):
                typ = np.vstack((typ, 4))
                Thresh = np.vstack((Thresh, selected[i, 8]))
            i = i + 1
        
    typ = typ.flatten()
    Thresh = Thresh.flatten()
    return selected , typ , Thresh

def back(select, typ, thresh, h , w):
    # 获取selected数组的第0、1、2和3列，分别对应缺陷中心x，y坐标，宽度，高度
    x_center = select[:, 0]
    y_center = select[:, 1]
    width = select[:, 2]
    height = select[:, 3]

    # 计算左上角坐标
    x_min = x_center - width / 2
    y_min = y_center - height / 2

    # 创建bbox数组，将左上角坐标和宽度、高度存储进去
    bbox = np.zeros((select.shape[0], 6))
    bbox[:, 0] = x_min
    bbox[:, 1] = y_min
    bbox[:, 2] = width
    bbox[:, 3] = height
    # 将type数组和Thresh数组分别添加到bbox数组的第4列和第5列
    bbox[:, 4] = typ
    bbox[:, 5] = thresh
    # 图像比例恢复
    if h > w:
        bbox[:, :4] *= (h/640)
        bbox[:, 0] -= (h/2-w/2)
    else:
        bbox[:, :4] *= (w/640)
        bbox[:, 1] -= (w/2-h/2)
    
    # 将二维数组转换为二维列表
    my_list = [list(row) for row in bbox]
    # 将 0~4 列转换为 int 型，5 列转换为 float 型
    for i in range(len(my_list)):
        for j in range(len(my_list[i])):
            if j < 5:
                my_list[i][j] = int(my_list[i][j])
            else:
                my_list[i][j] = float(my_list[i][j])
    
    return my_list

def nms_box(bbox, threshold):
    i = 0
    bbox = sorted(bbox, key=lambda x: x[3])
    while i < (len(bbox) - 1):
        if bbox[i][4] == bbox[i + 1][4]:
            # 计算两个框之间的重叠面积
            x1 = max(bbox[i][0], bbox[i + 1][0])
            y1 = max(bbox[i][1], bbox[i + 1][1])
            x2 = min(bbox[i][0] + bbox[i][2], bbox[i + 1][0] + bbox[i + 1][2])
            y2 = min(bbox[i][1] + bbox[i][3], bbox[i + 1][1] + bbox[i + 1][3])
            
            intersection = (x2 - x1) * (y2 - y1)
            area1 = bbox[i][2] * bbox[i][3]
            area2 = bbox[i + 1][2] * bbox[i + 1][3]
            nms = 1 - intersection / (area1 + area2 - intersection)
            # print(nms) 
            
            # 去除多余框
            if nms < threshold and bbox[i][5] >= bbox[i + 1][5]:
                del bbox[i + 1]
            elif nms < threshold and bbox[i][5] < bbox[i + 1][5]:
                del bbox[i]
            elif nms > threshold:
                i = i + 1
        else:
            i = i + 1
    
    return bbox

def draw_bbox(img, bbox_list):
    global colors
    global labels
        
    # 循环遍历 bbox 列表中的每一行
    for bbox in bbox_list:
        # 获取方框的左上角坐标和宽度、高度
        x, y, w, h = bbox[:4]
        # 在方框左上角上加上缺陷类型和置信系数
        defect_type = bbox[4]
        confidence = bbox[5]
        
        # 绘制方框
        cv2.rectangle(img, (x, y), (x + w, y + h), colors[defect_type], 2)
        str_confidence = "{:.3f}".format(confidence)      
        cv2.putText(img, labels[defect_type] + ' ' + str_confidence, (x, y - 5),
                    cv2.FONT_HERSHEY_SIMPLEX, 2, colors[defect_type], 3)

        cv2.imshow("result", img)

# 初始化全局变量
colors = []
with open('type.names', 'r') as f:
    labels = f.read().splitlines()
# 生成缺陷种类数量的随机颜色值
for _ in range(len(labels)):
    color = (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))
    colors.append(color)
if __name__ == "__main__":    
    # 读取摄像头cv.VideoCapture(设备号)
    cap = cv2.VideoCapture(0)
    
    while True: 
        # 得到每帧图像, cap.read(是否有图像True或者false, 图像)
        ret_flag, Vshow = cap.read()  

        # # 读取图片
        # im = cv2.imread(Vshow)
        # 获取图像尺寸
        y, x = Vshow.shape[:2]
        # 图像尺寸等比例变换
        image0 = resize_image(Vshow, y, x)
        # 图像归一化
        image1 = nchw_image(image0)
        # 模型推理
        onnx_model_path = "models\\best.onnx"
        result0 = onnx(image1, onnx_model_path)

        # 缺陷阈值
        threshold = 0.4
        # 筛选推理结果缺陷位置和缺陷置信系数、缺陷类型、缺陷置信系数一一对应
        select1, typ, thresh = select(result0, threshold)   

        # 缺陷位置还原
        result1 = back(select1, typ, thresh, y, x)
        # 去除重叠缺陷
        nms_threshold = 0.4
        result2 = nms_box(result1, nms_threshold)
        # print(result2)

        # 绘制缺陷方框
        draw_bbox(Vshow, result2)
        
        # 连续读取的时候需要把参数设置为1或更高
        if cv2.waitKey(1) == 27:  
            break


    # 释放摄像头
    cv2.destroyAllWindows()
    # 释放摄像头
    cap.release()

放氮气的蜗牛
关注
  • 2
    点赞
  • 踩
  • 29
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
yolo v5 onnxruntime与opencv cv2加载部署推理、实时摄像头检测
weixin_42357472的博客
04-13 7446
参考：https://github.com/hpc203/yolov5-lite-onnxruntime https://github.com/hpc203/yolov5-dnn-cpp-python 1、onnxruntime 加载推理yolo v5 onnx import cv2 import numpy as np import argparse import onnxruntime as ort import math class yolov5_lite(): def __init__(s
将yolov8权重文件转为onnx格式并在c#中使用
不积跬步，无以至千里；不积小流，无以成江海；千里之行，始于足下
02-20 1913
将训练结果的.pt权重文件转换为onnx格式，并在c#中使用转换后的onnx进行目标检测
yolov8 onnx调用
qq_45149610的博客
04-24 334
把yolov8中加载onnx和推理的代码部分全部抽出，并去掉所有使用torch的地方，onnxruntime调用cuda可能会失败，所以通过import torch，使cuda能成功调用。
YOLOV8权重onnx文件python部署篇
yxk666的博客
09-06 1712
仅供学习参考使用！！！
OpenCV 调用自定义训练的 YOLO-V8 Onnx 模型
最新发布
小毕超博客
06-30 1876
Onnx 格式是一种开放格式，用于表示深度学习模型。目的是为了促进不同深度学习框架和工具之间的模型互操作性。通过Onnx，开发人员可以更容易地在不同的深度学习框架之间转换模型。本文首先将自定义的 YOLO-V8 Pytorch 模型转为 Onnx 模型，然后通过 OpenCV 调用 Onnx 模型，进行运算推理。
开发者实战 | 基于 C# 和 OpenVINO™ 2023.0部署 YOLOv8 全系列模型
OpenVINOCC的博客
07-20 4533
点击蓝字关注我们,让开发变得更有趣以下文章来源英特尔物联网文章作者：颜国进 飞桨开发者技术专家(PPDE)，OpenVINOSharp 工具包作者，中国矿业大学硕士研究生文章指导：杨雪锋 英特尔边缘计算创新大使，中国矿业大学副教授1基于 C# 和 OpenVINO™2023.0部署YOLOv8 全系列模型1.1项目简介1.1.1OpenVINO™英特尔发行版 OpenVINO™ 工具套件基于 ...
C# Onnx yolov8 水表读数检测
.NET 人工智能实践
01-31 1318
C# Onnx yolov8 水表读数检测
YOLOv8 人体姿态估计(关键点检测) python推理 && ONNX RUNTIME C++部署
weixin_45824067的博客
05-12 1万+
这里的8400,表示有8400个检测框，56为4边界框坐标信息+
YOLOv8-使用ONNX+YOLOv8+Python实现目标检测源码.zip
05-15
YOLOv8-使用ONNX+YOLOv8+Python实现目标检测源码.zipYOLOv8-使用ONNX+YOLOv8+Python实现目标检测源码.zipYOLOv8-使用ONNX+YOLOv8+Python实现目标检测源码.zipYOLOv8-使用ONNX+YOLOv8+Python实现目标检测源码....
YOLOv8s+YOLOv9c的onnx文件
02-26
总的来说，YOLOv8s和YOLOv9c代表了目标检测技术的最新进展，它们通过ONNX格式提供了一种跨平台的解决方案，使得开发者能够利用这些高效的模型来解决实际的计算机视觉问题，无论是在边缘设备还是在云端服务器上。...
使用python部署yolov9目标检测的onnx源码
02-24
【博客地址】 https://blog.csdn.net/FL1623863129/article/details/136267491?spm=1001.2014.3001.5501 【视频演示】 ...【测试环境】 anaconda3+python3.8 torch==1.9.0 onnxruntime==1.16.2
YOLOv8-使用ONNX+YOLOv8+Python实现目标检测-项目实战-附完整流程教程.zip
02-12
本项目实战教程将带你深入理解和运用YOLOv8，结合ONNX（Open Neural Network Exchange）和Python，实现目标检测的全流程。 首先，我们需要了解YOLOv8的核心改进。YOLOv8对前代模型进行了优化，可能包括网络结构的...
使用python+yolov5算法+海康摄像头实时检测是否带安全帽以及危险区域+源码+开发文档说明+训练数据（毕设课设&项目开发
03-25
使用python+yolov5算法+海康摄像头实时检测是否带安全帽以及危险区域+源码+开发文档说明+训练数据，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 使用python+...
yolov8 类代码实现，全网唯一 方便研究修改，转onnx学习笔记
jacke121的专栏
08-05 1027
yolov8转onnx学习笔记
YOLOv8项目实践——目标检测、实例分割、姿态估计、目标追踪算法原理及模型部署（Python实现带界面）
知来者逆的博客
03-27 6045
这是一个集成了YoloV8目标检测、实例分割、姿态估计与目标追踪的项目，界面是用PyQt5写的，可以读入图像，视频与摄像头。
Windows10+Python+Yolov8+ONNX图片缺陷识别，并在原图中标记缺陷，有onnx模型则无需配置，无需训练。
氮气蜗牛的博客
05-09 2804
Windows10+Python+Yolov8+ONNX图片缺陷识别，并在原图中标记缺陷，无需高配置，无需训练，任何人轻松上手。
工业缺陷检测项目实战(一)——基于opencv的工件缺陷检测C++和python实现
热门推荐
weixin_39735688的博客
11-17 2万+
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
4种检测Python缺失值的方法
m0_74942241的博客
04-23 1992
在数据科学和分析领域，遇到数据缺失更多是常规而不是例外。缺失值可能会使分析结果出现偏差，导致错误的结论，并且通常还会干扰数据处理流程。解决这些缺失对于保持分析的完整性至关重要。本文旨在向你介绍在Python中识别`NaN`（非数字）值的不同方法。
yolov8导出onnx(一)
deep_love1314的博客
01-29 6836
yolov8导出onnx
python+opencv+yolov行人检测
01-12
Yolov行人检测是一种基于目标检测的机器学习算法，而Python中的OpenCV库提供了强大的图像处理和计算机视觉功能。通过结合使用Python、OpenCV和Yolov模型，我们可以实现行人检测的功能。 首先，我们需要安装OpenCV和Yolov库以及相关的依赖项。然后，加载训练好的Yolov模型，该模型已经在大量的图像数据上进行了训练，能够准确地检测出图像中的行人。 接下来，我们可以将待检测的图像通过OpenCV读取并转换成合适的格式。然后，将图像输入到Yolov模型中进行运算，得到行人的检测结果。这些结果通常以矩形边界框表示，其中包含了行人在图像中的位置信息。 最后，我们可以使用OpenCV的绘制函数将检测结果标注在原始图像上，使得行人的位置可以直观地展示出来。可以使用不同的颜色来区分不同的行人实例。同时，还可以在行人框上显示其检测的置信度，用来评估行人检测的准确性。 总结一下，利用Python中的OpenCV库结合Yolov模型，我们可以实现行人检测的功能。这可以在视频监控、交通管理等领域发挥重要作用，帮助我们获取图像中行人的位置、数量和其他相关信息。
评论 3
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

放氮气的蜗牛

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