python调用不同版本opencv_坐稳了，OpenCV老司机带你用OpenCV4实现YOLO v4物体检测

最新推荐文章于 2023-04-19 10:11:54 发布

weixin_39929566

最新推荐文章于 2023-04-19 10:11:54 发布

阅读量347

点赞数

文章标签： python调用不同版本opencv

戳一戳！和我一起走进opencv的世界

导读

OpenCV4终于更新啦！让我流下眼泪的，不是7月的高温，而是OpenCV4支持YOLO v4了。

在这篇文章，我将带领大家一起，回顾 OpenCV4.4.0 的更新， C++ 结合 OpenCV 、 Darknet 实现 YOLO v4 ，并带领大家一起用 python 语言结合 OpenCV4 实现 YOLO v4 。

如果你想了解更多有关于计算机视觉、OpenCV、机器学习、深度学习等相关技术的内容，想与更多大佬一起沟通，那就加群：326866692 或者扫描下方二维码加入我们吧！

OpenCV4 支持YOLO v4

经过久久的辛苦等待，OpenCV终于迎来了4.4.0。最让我激动地一个更新点就是它支持YOLO v4，之前的版本是不支持的！

想了解具体的更新点，请看下面的文章：

重磅！！！OpenCV4.4.0新鲜出炉！支持YOLO v4，SIFT免费使用

OpenCV-C++ 实现 YOLO v4

虽然刚开始OpenCV没有支持YOLO v4，但是在YOLO v4刚出不久，我就按耐不住激动地心情，进行了一波尝试，效果还不错！

我使用了OpenCV4.3.0版本和Darknet，检测效果还不错：

想了解的朋友可以移步：

【DL-YOLO】尝鲜！Windows下实现YOLOv4物体检测(VS2015+OpenCV)

OpenCV-python 实现 YOLO v4

1 引入

上面的方式虽然不用最新版的OpenCV，但是要使用Darknet框架，确实是比较麻烦的，但是有了最新版的OpenCV，再加上python强大的功能，实现起来就 so easy 了。

2 准备工作

让我们开始吧！

首先肯定要下载模型相关的文件的，我们至少需要：

coco数据集的类别名称

cfg配置文件

权重文件

一般来说，我们下载最常用的，就是我下图下载的文件：

下载有如下三种方式：

途径一：作者的GitHub

https://github.com/AlexeyAB/darknet

这个会有最初始的模型，也会有详细的介绍。具体的内容，我就不过多说明啦，大家去网站中，就能看到。

途径二：加群326866692

加我们上面提到的技术群，我会把项目打包放到群文件。本文的全部代码、相关文件都会有。

途径三：公众号回复

在我的公众号回复YOLOv4，就可以获得对应的下载链接，内容和加群一样。

3 配置

上面的做完，准备工作就完成了。

接下来，我们新建一个python项目，配置参考下面这篇教程：

【OpenCV教程】01 OpenCV简介与安装

唯一不同的是，我们这里使用的是OpenCV4.4.0版本，而教程中的是OpenCV4.3.0版本。不过这并不影响我们的操作，请大胆参考。

在项目中新建一个文件夹，命名为model，用于存放上面用到的模型文件。具体内容请看下图：

model文件夹

新建一个文件夹，命名为picture，用于存放我们测试的图片。(emm，我只是随便找了两张以前用过的测试图像，忽略这些)

picture文件夹

新建一个python文件YOLOv4.py，用于写代码。

注：

上面的命名方式，或者文件夹创建大家自由选择，大家也可以将模型，图片和代码都放在一个文件夹下。根据个人喜好决定

4 代码及检测结果

1、引用包

首先我们需要调用两个包，第一个是用于调用OpenCV，第二个帮助我们生成随机数。

import cv2 as cvimport random

2、保存模型及图片

然后我们定义几个变量存放模型和文件的路径及名称，用于后面加载模型及图片。

# 文件需要加载的文件cfg = "./model/yolov4.cfg"weights = "./model/yolov4.weights"imgName = "./picture/1.png"className = "./model/coco.names"

3、YOLO网络配置

我们需要配置网络，加载cfg配置文件、权重文件及数据集名称，对网络进行设置，用于后面检测图片。

# 网络设置net = cv.dnn_DetectionModel(cfg, weights)net.setInputSize(608, 608)net.setInputScale(1.0 / 255)net.setInputSwapRB(True)with open(className, 'rt') as f:    names = f.read().rstrip('\n').split('\n')

4、加载图像

我们需要加载图片，用于后面的检测。

# 加载图像及类别img = cv.imread(imgName)cv.imshow('read img', img)

5、使用网络检测图像

我们使用网络检测图像，检测到物体所属类别、位置、数据置信度等，并将数据保存到变量中。

# 模型检测classes, confidences, boxes = net.detect(img, confThreshold=0.1, nmsThreshold=0.4)

6、显示检测结果

将检测到的数据展示到图像中。

# 将检测结果显示到图像上for classId, confidence, box in zip(classes.flatten(), confidences.flatten(), boxes):    label = '%s: %.2f' % (names[classId], confidence)    labelSize, baseLine = cv.getTextSize(label, cv.FONT_HERSHEY_SIMPLEX, 0.5, 1)    left, top, width, height = box    top = max(top, labelSize[1])    b = random.randint(0,255)    g = random.randint(0,255)    r = random.randint(0,255)    cv.rectangle(img, box, color=(b, g, r), thickness=2)    cv.rectangle(img, (left-1, top - labelSize[1]), (left + labelSize[0], top), (b, g, r), cv.FILLED)    cv.putText(img, label, (left, top), cv.FONT_HERSHEY_SIMPLEX, 0.5, (255-b, 255-g, 255-r))cv.imshow('detect out', img)cv.waitKey(0)

得到的检测结果如下：

第一个是我们之前的那个马路上：