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