python调用yolov3模型_opencv调用yolov3模型进行目标检测，以实例进行代码详解

opencv调用yolov3模型进行深度学习目标检测，以实例进行代码详解

对于yolo v3已经训练好的模型，opencv提供了加载相关文件，进行图片检测的类dnn。

下面对怎么通过opencv调用yolov3模型进行目标检测方法进行详解，付源代码

1、建立相关目录

在训练结果backup文件夹下，找到模型权重文件，拷到win的工程文件夹下

在cfg文件夹下，找到模型配置文件，yolov3-voc.cfg拷到win的工程文件夹下

在data文件夹下，找到voc.names，类别标签文件，拷到win的工程文件夹下

2代码详解

weightsPath

=

"E:\deep_learn\yolov3_modeFile\yolov3-voc_25000.weights"

# 模型权重文件configPath

=

"E:\deep_learn\yolov3_modeFile\yolov3-voc.cfg"

# 模型配置文件labelsPath

=

"E:\\deep_learn\\yolov3_modeFile\\voc.names"

# 模型类别标签文件123123

引入模型的相关文件，这里需要使用yolo v3训练模型的三个文件

(1)模型权重文件 name.weights

(2)训练模型时的配置文件 yolov3-voc.cfg(一定和训练时一致，后面会提原因)

(3)模型类别的标签文件 voc.names LABELS

=

open

(labelsPath

)

.read

(

)

.strip

(

)

.split

(

"\n"

)11

从voc.names中得到标签的数组LABELS

我的模型识别的是车和人

voc,names文件内容

LABELS数组内容

COLORS

= np

.random

.randint

(

0

,

255

, size

=

(

len

(LABELS

)

,

3

)

,dtype

=

"uint8"

)

#颜色 随机生成颜色框11

根据类别个数随机生成几个颜色 ，用来后期画矩形框

[[ 33 124 191]

[211 63 59]] boxes

=

[

]confidences

=

[

]classIDs

=

[

]123123

声明三个数组

(1)boxes 存放矩形框信息

(2)confidences 存放框的置信度

(3)classIDs 存放框的类别标签

三个数组元素一一对应，即boxes[0]、confidences[0]、classIDs[0]对应一个识别目标的信息，后期根据该信息在图片中画出识别目标的矩形框

net

= cv2

.dnn

.readNetFromDarknet

(configPath

,weightsPath

)11

加载 网络配置与训练的权重文件 构建网络

注意此处opencv2.7不行 ，没有dnn这个类，最好opencv版本在4.0以上，对应python用3.0以上版本 image

= cv2

.imread

(

"E:\deep_learn\yolov3_detection_image\R1_WH_ZW_40_80_288.jpg"

)

(H

,W

)

= image

.shape

[

0

:

2

]1212

读入待检测的图片，得到图像的高和宽

ln

= net

.getLayerNames

(

)11

得到 YOLO各层的名称，之后从各层名称中找到输出层

可以看到yolo的各层非常多，红框圈的’yolo_94’、"yolo_106’即为输出层，下面就需要通过代码找到这三个输出层，为什么是三个？跟yolo的框架结构有关，yolo有三个输出。对应的我们在训练模型时修改 yolov3-voc.cfg文件，修改的filters、classes也是三处，详细参考

https://blog.csdn.net/qq_32761549/article/details/90020725#8_darknetcfgyolov3voccfg_183 8. 修改./darknet/cfg/yolov3-voc.cfg文件

下面就是在yolo的所有层名称ln中找出三个输出层，代码如下 out

= net

.getUnconnectedOutLayers

(

)

#得到未连接层得序号x

=

[

]

for i

in out

:

# i=[200] x

.append

(ln

[i

[

0

]

-

1

]

)

# i[0]-1 取out中的数字 [200][0]=200 ln(199)= "yolo_82"ln

=x1234512345

yolo的输出层是未连接层的前一个元素，通过net.getUnconnectedOutLayers()找到未连接层的序号out= [[200] /n [267] /n [400] ]，循环找到所有的输出层，赋值给ln

最终ln = [‘yolo_82’, ‘yolo_94’