使用Google云平台实战基于PyTorch的yolo-v3模型

对于计算机视觉爱好者来说，YOLO (You Only Look Once)是一个非常流行的实时目标检测算法，因为它非常快，同时性能非常好。

在本文中，我将共享一个视频处理的代码，以获取视频中每个对象目标的边框。我们将不讨论YOLO的概念或架构，因为很多好的文章已经在媒体中详细阐述了这些知识点。这里我们只讨论函数代码。

开始

谷歌Colab地址：https://colab.research.google.com/github/vindruid/yolov3-in-colab/blob/master/yolov3_video.ipynb。

yolo的git仓库：https://github.com/ultralytics/yolov3。尽管仓库已经包含如何使用YOLOv3的教程，教程只需要运行python detect.py --source file.mp4，但是我简化了代码，具体在谷歌Colab / Jupyter笔记本中。

准备YoloV3和LoadModel

首先克隆YoloV3仓库，然后导入通用包和repo函数

!git clone https://github.com/ultralytics/yolov3import timeimport globimport torchimport os
import argparsefrom sys import platform%cd yolov3from models import *from utils.datasets import *from utils.utils import *
from IPython.display import HTMLfrom base64 import b64encode

设置参数解析器，初始化设备(CPU / CUDA)，初始化YOLO模型，然后加载权重。

parser = argparse.ArgumentParser()parser.add_argument('--cfg', type=str, default='cfg/yolov3-spp.cfg', help='*.cfg path')parser.add_argument('--names', type=str, default='data/coco.names', help='*.names path')parser.add_argument('--weights', type=str, default='weights/yolov3-spp-ultralytics.pt', help='weights path')parser.add_ar