yolov3批量车辆检测并根据识别框裁剪

本文介绍了如何使用Yolov3进行批量车辆目标检测,并详细阐述了根据OpenCV绘制的识别框裁剪车辆图片的过程,以及裁剪后图片的保存方式。通过实验,最终成功将识别出的车辆按原文件名加a/b/c等后缀保存。
摘要由CSDN通过智能技术生成

利用yolov3进行批量目标识别并根据识别框将所检测目标裁剪下来

根据项目需要,我需要提取有关车辆的一些信息,因此将yolov3识别后的带框的车辆给裁剪下来。

根据opencv绘制的矩形框将矩形框裁剪
# image是原图,左上点坐标, 右下点坐标, 颜色, 画线的宽度
cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)
text = "{}: {:.4f}".format(LABELS[classIDs[i]], confidences[i])
# 各参数依次是:图片,添加的文字,左上角坐标(整数),字体,字体大小,颜色,字体粗细
cv2.putText(image, text, (x, y -5)cv2.FONT_HERSHEY_SIMPLEX,0.5,color,2)
# 图片裁剪,裁剪区域[Ly:Ry,Lx:Rx](这是对应坐标)
cut = image[y:(y+h), x:(x + w)]
将裁剪后的图片保存,并将每一幅裁剪后的车辆按照原图片文件名+a/b/c等保存。
//由于我的filename后缀有.jpg,因此用split切割一下,t是定义的字母,后续源码有详细的说明
cv.imwrite(savepath+"/"+filename.split(".")[0]+"_"+t+".jpg",cut)
源码
import os
import cv2 as cv
import argparse
import numpy as np
import cv2
weightsPath="F:/testScala/src/main/python/yolov3.weights"
configPath="F:/testScala/src/main/python/yolov3.cfg"
labelsPath="F:/testScala/src/main/python/coco.names"
rootdir = "F:/test"   #图像读取地址
savepath = "F:/detectioncam1"  # 图像保存地址

#初始化一些参数
LABELS = open(labelsPath).read().strip(
YOLOv5是一种目标检测算法,它可以用于训练和识别各种物体,包括安全帽。下面是使用YOLOv5训练安全帽识别的一般步骤: 1. 数据准备:收集包含安全帽和无安全帽的图像数据集,并将其标记为训练集和验证集。标记可以使用标注工具(如LabelImg)进行手动标注,或者使用自动标注工具(如OpenLabeling)进行辅助标注。 2. 数据预处理:对图像进行预处理,包括调整大小、裁剪、增强等操作。可以使用Python的图像处理库(如OpenCV)来实现这些操作。 3. 配置模型:下载YOLOv5的代码库,并根据需要进行配置。可以选择不同的模型大小(如s、m、l、x),根据硬件资源和精度要求进行选择。 4. 训练模型:使用准备好的数据集和配置好的模型进行训练。在训练过程中,可以调整学习率、批量大小、迭代次数等超参数来优化模型性能。 5. 模型评估:使用验证集对训练好的模型进行评估,计算精度、召回率等指标,以了解模型的性能。 6. 模型优化:根据评估结果,可以对模型进行优化,如调整超参数、增加训练数据、进行数据增强等。 7. 模型部署:将训练好的模型部署到目标设备上,可以使用Python的深度学习库(如PyTorch)来加载模型,并使用OpenCV等库进行实时识别。 以上是一般的步骤,具体的实现细节和代码可以参考YOLOv5的官方文档和代码库。希望对你有所帮助!
评论 51
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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