哇塞，可以使用PyTorch实现目标检测与跟踪，这不有趣多了

最新推荐文章于 2024-09-21 12:55:07 发布

编程简单学

最新推荐文章于 2024-09-21 12:55:07 发布

阅读量404

点赞数

分类专栏： python 文章标签：目标检测深度学习计算机视觉 opencv pytorch

本文链接：https://blog.csdn.net/weixin_54556126/article/details/121921281

版权

本文介绍如何利用PyTorch的预训练模型YOLOv3进行图像目标检测，并结合SORT算法实现在视频中的实时目标跟踪。通过加载模块、配置权重，对图像进行检测，再应用目标跟踪算法，识别并追踪视频中的特定对象。

摘要由CSDN通过智能技术生成

引言

在昨天的文章中，我们介绍了如何在PyTorch中使用您自己的图像来训练图像分类器，然后使用它来进行图像识别。本文将展示如何使用预训练的分类器检测图像中的多个对象，并在视频中跟踪它们。

图像中的目标检测

目标检测的算法有很多，YOLO跟SSD是现下最流行的算法。在本文中，我们将使用YOLOv3。在这里我们不会详细讨论YOLO，如果想对它有更多了解，可以后台找我暗号666点击链接找我哦~

希望和你一起探讨哦

下面让我们开始吧，依然从导入模块开始：

from models import *

from utils import *

import os, sys, time, datetime, random

import torch

from torch.utils.data import DataLoader

from torchvision import datasets, transforms

from torch.autograd import Variable

import matplotlib.pyplot as plt

import matplotlib.patches as patches

from PIL import Image

然后加载预训练的配置和权重，以及一些预定义的值，包括：图像的尺寸、置信度阈值和非最大抑制阈值。

    config_path='config/yolov3.cfg'

    weights_path='config/yolov3.weights'

    class_path='config/coco.names'

    img_size=416

    conf_thres=0.8

    nms_thres=0.4

    # Load model and weights

    model = Darknet(config_path, img_size=img_size)

    model.load_weights(weights_path)

    model.cuda()

    model.eval()

    classes = utils.load_classes(class_path)

    Tensor = torch.cuda.FloatTensor

下面的函数将返回对指定图像的检测结果。

    def detect_image(img):

    # scale and pad image

    ratio = min(