yolo模型提取推理部分代码到一个单独的脚本教程

三个部分

1模型载入

2图片经过怎样处理，预处理

3图片后处理，前向传播

colors = [[random.randint(0, 255) for _ in range(3)] for _ in names]

img = cv2.imread('1.jpg')
image, ratio, dwdh = letterbox(img, auto=False)
image = image.transpose((2, 0, 1))[::-1]
image = np.expand_dims(image, 0)
image = np.ascontiguousarray(image)

im = torch.from_numpy(image).float()
im /= 255
print(im.shape)

1. 创建一个二维数组colors，其中包含了名字names的长度个列表，每个列表包含三个随机生成的0到255之间的整数。

2. 使用OpenCV库的imread函数读取名为'1.jpg'的图像，并存储在变量img中。

3. 调用名为letterbox的函数，对img进行处理，并将结果存储在变量image中。这个函数可能是用来调整图片大小以适应某个特定尺寸的工具函数。

4. 将image的维度转置为(2, 0, 1)，并沿纵轴进行翻转。

5. 使用numpy的expand_dims函数在第0维上添加一个维度。

6. 使用numpy的ascontiguousarray函数将数组转换为连续的内存布局。

7. 使用torch.from_numpy函数将数组转换为torch的张量。

8. 将im的数值范围从0到255归一化到0到1。
    

   model = torch.jit.load(r'weight/yolov7_tiny.pt')
   result = model(im)[0]
   result = non_max_suppression(result, 0.5, 0.65)[0]
   result[:, :4] = scale_coords(im.shape[2:], result[:, :4], img.shape)
   
   for *xyxy, conf, cls in result:
       label = f'{names[int(cls)]} {conf:.2f}'
       plot_one_box(xyxy, img, label=label, color=colors[int(cls)], line_thickness=1)
       
   cv2.imshow('image', img)
   cv2.waitKey(0)
   cv2.destroyAllWindows()

9. 使用torch.jit.load函数加载名为'yolov7_tiny.pt'的模型，并将其存储在变量model中。

10. 使用加载的模型model对im进行推断，得到输出结果，存储在变量result中。

11. 使用非极大值抑制(non_max_suppression)函数对result进行处理，去除低置信度的预测框，保留高置信度的预测框，并将结果存储在result中。

12. 使用scale_coords函数将result中预测框的坐标缩放到原始图像的尺寸上。

13. 对每个预测框执行以下操作： - 获取预测框的坐标(xyxy)、置信度(conf)和类别(cls)。 - 根据类别索引cls获取对应的类别名字，并结合置信度生成label。 - 使用plot_one_box函数在img上绘制包围预测框的矩形框，并显示label，设置框的颜色为对应类别的颜色，设置框的线宽为1。

14. 使用cv2.imshow函数显示img图像。

15. 使用cv2.waitKey函数等待用户按下任意键。

16. 使用cv2.destroyAllWindows函数关闭所有打开的窗口。
    视频链接YoloV7-pyqt5 2. 导出模型的讲解和避坑、如何把推理代码整合成一个class的讲解_哔哩哔哩_bilibili