opencv4 python gpu_使用OpenCV调用yolo3 GPU版

使用OpenCV的DNN模块调用yolo3默认是CPU版本的，而且也不是真的调用yolo3，只是需要一个权重weights文件，一个配置cfg文件和一个标签列表names文件。

【重要部分】

网上的关于这一块的代码都大同小异，但是关键的地方在于一次加载多次调用，简单的加入

net.setPreferableBackend(cv.dnn.DNN_BACKEND_CUDA)

net.setPreferableTarget(cv.dnn.DNN_TARGET_CUDA)

这两句话是不管用的，实际运行速度和CPU的没区别。

先看一段代码：

# -*- coding: utf-8 -*

import numpy as np

import cv2 as cv

import os

import time

yolo_dir = '/home/ubuntu/model/yolo3' # YOLO文件路径

weightsPath = os.path.join(yolo_dir, 'yolov3-test.weights') # 权重文件

configPath = os.path.join(yolo_dir, 'yolov3-test.cfg') # 配置文件

labelsPath = os.path.join(yolo_dir, 'test.names') # label名称

imgPath = os.path.join(yolo_dir, 'test.jpg') # 测试图像

CONFIDENCE = 0.25 # 过滤弱检测的最小概率

THRESHOLD = 0.2 # 非最大值抑制阈值

#批量图片检测和保存位置

test_dir = '/home/ubuntu/model/yolo4-tiny/imgs'

save_dir = '/home/ubuntu/model/yolo4-tiny/imgsResultV3'

# 加载网络、配置权重

net = cv.dnn.readNetFromDarknet(configPath, weightsPath) # # 利用下载的文件

#批量加载图像

pics = os.listdir(test_dir)

start = time.time()

minTime = 10;

maxTime = 0;

for im in pics:

# 加载图片、转为blob格式、送入网络输入层

s = time.time()

imgPath = os.path.join(test_dir,im)

img = cv.imread(imgPath)

blobImg = cv.dnn.blobFromImage(img, 1.0/255.0, (416, 416), None, True, False) # # net需要的输入是blob格式的，用blobFromImage这个函数来转格式

net.setInput(blobImg) # # 调用setInput函数将图片送入输入层

# 获取网络输出层信息(所有输出层的名字)，设定并前向传播

outInfo = net.getUnconnectedOutLayersNames() # # 前面的yolov3架构也讲了ÿ