贵州建设厅网站首页二级建造师成绩查询,网站推广实施方案,wordpress博客列表显示,做网站用什么程序比较好使用到的模型文件我已经上传了#xff0c;但是不知道能否通过审核#xff0c;无法通过审核的话#xff0c;就只能 靠大家自己发挥实力了#xff0c;^_^
目录
简介
代码介绍
代码拆解讲解
1.首先#xff0c;让我们导入需要用到的库#xff1a;
2.然后#xff0c;设… 使用到的模型文件我已经上传了但是不知道能否通过审核无法通过审核的话就只能 靠大家自己发挥实力了^_^
目录
简介
代码介绍
代码拆解讲解
1.首先让我们导入需要用到的库
2.然后设置两个阈值:conf_threshold 和 nms_threshold以及图片的宽度和高度
3.接下来我们加载预训练的 YOLOv3 模型并加载识别的类名
4.然后我们创建一个颜色列表以在最后的目标检测结果中为不同的类别绘制不同的颜色
5.下一步我们定义两个函数 fetch_frame 和 process_frame
6.在主循环中我们使用 ThreadPoolExecutor 实现了并行处理读取帧和模型推理的操作。
7.退出程序
总体代码
效果展示
编辑
使用GPU说明
如何操作
1.在读取模型时启用 CUDA:
2.其它代码不需要做太多修改
总结 简介 这段程序是一个Python脚本它使用了OpenCV库和预训练的YOLOv3模型来实现实时视频流的目标检测。它首先从摄像头捕获视频流并使用线程池处理每一帧图像。在每一帧中程序都会检测和识别不同的对象并用不同的颜色显示结果。使用了非极大值抑制技术删除重复的检测框并利用了并发处理技术以提高性能。最后他还显示了每秒处理的帧数FPS。我们可以通过按q键来结束程序。这个程序展示了一种有效的使用深度学习模型进行实时视觉任务的方法。 代码介绍 这段代码是使用OpenCV和Python编写的主要用于实时视频流处理和目标检测。代码的核心是使用训练好的YOLOv3模型来识别和定位视频帧中的对象。下面是对整个流程的详细解释 导入库首先导入所需的库包括cv2OpenCVnumpy用于科学计算time时间管理以及concurrent.futures用于并发执行。 初始化参数设置检测参数包括置信度阈值用于过滤掉那些置信度低于阈值的检测结果非极大值抑制NMS阈值用于去除重复的检测框以及输入图像的宽和高。 加载模型和类别通过使用cv2.dnn.readNet加载预训练的YOLOv3模型并从coco.names文件中加载可以识别的类名列表。 颜色列表为每个可识别的类别创建一个随机颜色列表这用于在检测到的对象周围绘制彩色的边界框。 视频捕获打开摄像头进行视频流的捕获。 多线程处理初始化ThreadPoolExecutor以并发执行多个任务。这里定义了两个函数fetch_frame和process_frame。fetch_frame用于从视频流中获取一帧图像而process_frame则用于处理图像并执行目标检测。 目标检测流程 转换输入帧将输入帧转换为模型所需要的格式blob包括缩放、颜色空间转换等。执行检测调用神经网络模型执行前向传播获取检测结果。过滤结果根据置信度阈值和NMS阈值过滤掉一部分检测结果消除低置信度以及重复的检测框。绘制边界框和类别标签在原图上绘制检测到的对象的边界框并显示类别名称和置信度。 显示结果在屏幕上实时显示处理后的视频帧并计算显示FPS每秒帧数。 程序退出等待我们按q键退出并在退出前释放资源包括摄像头和窗口。 这段代码的设计利用了异步处理技术通过ThreadPoolExecutor来提高处理视频流的效率使得帧的捕获和处理能够并行执行从而尽可能提高FPS。 为什么这样做主要是我的电脑没有独立GPU所以呃只能动点这中方法了但是说实话并没有什么实质性的提升难受了。 代码拆解讲解 我们将使用预训练的 YOLOv3 模型进行目标检测并使用 Python 的 concurrent.futures 库来并行处理视频帧的读取和模型推理以优化程序的执行速度。 感谢YOLO虽然现在已经发展到v8了但是我们这里使用v3还是足够了。
1.首先让我们导入需要用到的库
import cv2
import numpy as np
import time
from concurrent.futures import ThreadPoolExecutor2.然后设置两个阈值:conf_threshold 和 nms_threshold以及图片的宽度和高度
conf_threshold 0.5
nms_threshold 0.4
Width 416
Height 4163.接下来我们加载预训练的 YOLOv3 模型并加载识别的类名
net cv2.dnn.readNet(../needFiles/yolov3.weights, ../needFiles/yolov3.cfg)
with open(../needFiles/coco.names, r) as f:classes f.read().strip().split(\n)4.然后我们创建一个颜色列表以在最后的目标检测结果中为不同的类别绘制不同的颜色
color_list np.random.uniform(0, 255, size(len(classes), 3))5.下一步我们定义两个函数 fetch_frame 和 process_frame fetch_frame 用于从视频对象读取一帧而 process_frame 则将读取到的帧输入到 YOLOv3 模型中然后处理获得的输出结果并在帧上绘制物体检测结果
def fetch_frame(cap):...
def process_frame(frame):...6.在主循环中我们使用 ThreadPoolExecutor 实现了并行处理读取帧和模型推理的操作。 这样可以使读取下一帧的操作和模型推理操作同时进行从而显著地加快了处理速度
executor ThreadPoolExecutor(max_workers2)
frame_future executor.submit(fetch_frame, cap)while True:...ret, frame, height, width, channels frame_future.result()frame_future executor.submit(fetch_frame, cap)processed_frame executor.submit(process_frame, frame).result()...7.退出程序 在这段代码的最后如果你按下 q 键退出主循环视频读取对象将会被释放所有的窗口也将被销毁
if cv2.waitKey(1) 0xFF ord(q):break
...
cap.release()
cv2.destroyAllWindows()总体代码
# 导入必要的库
import cv2
import numpy as np
import time
from concurrent.futures import ThreadPoolExecutor# 设置置信度阈值和非极大值抑制NMS阈值
conf_threshold 0.5
nms_threshold 0.4
Width 416
Height 416# 加载预训练的 YOLOv3 模型
net cv2.dnn.readNet(../needFiles/yolov3.weights, ../needFiles/yolov3.cfg)# 加载可识别的类名
with open(../needFiles/coco.names, r) as f:classes f.read().strip().split(\n)# 为不同的类别创建一个颜色列表
color_list np.random.uniform(0, 255, size(len(classes), 3))# 打开摄像头进行视频帧的捕获
cap cv2.VideoCapture(0)# 初始化一个ThreadPoolExecutor用于多线程处理
executor ThreadPoolExecutor(max_workers2)# 定义fetch_frame函数从视频流中获取视频帧
def fetch_frame(cap):ret, frame cap.read() # 读取一帧图像height, width, channels frame.shape # 获取图像的尺寸和通道信息return ret, frame, height, width, channels# 定义process_frame函数处理每帧图像并进行目标检测
def process_frame(frame):# 将帧转换为模型的输入格式blob cv2.dnn.blobFromImage(frame, 1 / 255.0, (416, 416), swapRBTrue, cropFalse)net.setInput(blob)output_layers net.getUnconnectedOutLayersNames() # 获取输出层的名字layer_outputs net.forward(output_layers) # 进行前向传播获取检测结果boxes [] # 用于存储检测到的边界框confidences [] # 用于存储边界框的置信度class_ids [] # 用于存储边界框的类别ID# 循环每个输出层的检测结果for output in layer_outputs:for detection in output:scores detection[5:] # 获取类别的得分class_id np.argmax(scores) # 获取得分最高的类别IDconfidence scores[class_id] # 获取得分最高的置信度# 过滤低置信度的检测结果if confidence conf_threshold:center_x int(detection[0] * width)center_y int(detection[1] * height)w int(detection[2] * width)h int(detection[3] * height)# 计算边界框的位置和尺寸x int(center_x - w / 2)y int(center_y - h / 2)# 将边界框的位置、尺寸、置信度和类别ID添加到列表中boxes.append([x, y, w, h])confidences.append(float(confidence))class_ids.append(class_id)# 使用非极大值抑制去除重叠的边界框indices cv2.dnn.NMSBoxes(boxes, confidences, conf_threshold, nms_threshold)# 在原图上绘制边界框和类别标签for i in indices.flatten():box boxes[i]x box[0]y box[1]w box[2]h box[3]label str(classes[class_ids[i]])color color_list[class_ids[i]]cv2.rectangle(frame, (x, y), (x w, y h), color, 2)cv2.putText(frame, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)return frame# 在进入循环前先读取一帧以开始异步处理
frame_future executor.submit(fetch_frame, cap)# 主循环
while True:start time.time() # 记录开始处理的时间点# 获取当前帧和相应信息ret, frame, height, width, channels frame_future.result()# 异步读取下一帧frame_future executor.submit(fetch_frame, cap)# 如果当前帧读取成功则继续处理if ret:# 使用线程池异步处理当前帧processed_frame executor.submit(process_frame, frame).result()# 计算FPSend time.time()fps 1 / (end - start)# 在处理好的帧上显示FPScv2.putText(processed_frame, FPS: str(round(fps, 2)), (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0),2)# 显示处理好的帧cv2.imshow(frame, processed_frame)# 如果我们按下 ‘q’ 键退出循环if cv2.waitKey(1) 0xFF ord(q):breakelse:break # 如果帧没有被成功读取退出循环# 释放视频捕获对象和销毁所有OpenCV窗口
cap.release()
cv2.destroyAllWindows()效果展示 这个效果还是不错的哈就是这个硬件性能跟不上要是有独显就好了。 使用GPU说明 当然了为了在大学时期狠狠的奖励自己四年游戏很多同学应该都是购买的游戏本那么恭喜你你的硬件非常的完美那么这里你可以看一下。
如何操作 如果你想利用 GPU 加速你的目标检测代码主要更改会集中在如何让 OpenCV 利用你的 GPU。不幸的是OpenCV 的 dnn 模块默认使用 CPU 进行计算。想要使用 GPU首要条件是你需要有一个支持 CUDA 的 NVIDIA GPU。 从 OpenCV 4.2 版本开始dnn 模块添加了对 CUDA 的支持但实现这一点需要确保你的 OpenCV 是用 CUDA 支持构建的。如果你自己编译 OpenCV确保在编译时启用了 CUDA 支持。
以下是如何更改你的代码以利用 CUDA 的基本步骤
1.在读取模型时启用 CUDA:
替换代码中的 readNet 调用使用 readNetFromDarknet 并添加代码来设置网络的首选后端和目标为 CUDA。 # 加载预训练的 YOLOv3 模型net cv2.dnn.readNetFromDarknet(../needFiles/yolov3.cfg, ../needFiles/yolov3.weights)# 启用 CUDAnet.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA)net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA)2.其它代码不需要做太多修改 使用CUDA优化后主要是模型推理过程即net.forward()的调用会更快。数据准备和后处理例如非极大值抑制的代码不需要太多修改因为它们仍然在 CPU 上执行。 这些改动仅在你已有 OpenCV 版本支持 CUDA并且你的系统拥有合适的 NVIDIA GPU 时有效。如果你的环境满足这些条件这样的更改可以显著加快模型推理的速度尤其是在进行视频流处理时。 最后你一定要确定你的环境包括 NVIDIA 驱动程序和 CUDA Toolkit被正确设置以支持 GPU 加速。如果你对如何编译支持 CUDA 的 OpenCV 或如何配置你的系统环境有任何疑问我建议查阅 OpenCV 官方文档和 NVIDIA 的 CUDA 安装指导因为我真的没有仔细研究过。
总结 希望这篇博客对你有所帮助。最后我想说虽然NVIDIA对我们的学习有帮助但是我还是想说。
AMDyes
