福州个人建站模板,有什么做分销的几个网站,昆山网站,开县集团网站建设《博主简介》 小伙伴们好#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】#xff0c;共同学习交流~ #x1f44d;感谢小伙伴们点赞、关注#xff01; 《------往期经典推…《博主简介》 小伙伴们好我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源可关注公-仲-hao:【阿旭算法与机器学习】共同学习交流~ 感谢小伙伴们点赞、关注 《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【车辆检测追踪与流量计数系统】49.【行人检测追踪与双向流量计数系统】50.【基于YOLOv8深度学习的反光衣检测与预警系统】51.【危险区域人员闯入检测与报警系统】52.【高密度人脸智能检测与统计系统】
二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】 五、YOLOv8改进专栏【链接】持续更新中~~ 六、YOLO性能对比专栏【链接】持续更新中~
《------正文------》 介绍
在之前的博客文章中我们介绍了如何使用 YOLOv8 进行对象检测。这篇文章则主要介绍如何使用YOLOv9进行图像与视频检测。
YOLOv9 与其前身一样专注于识别和精确定位图像和视频中的对象。自动驾驶汽车、安全系统和高级图像搜索等应用在很大程度上依赖于此功能。YOLOv9 引入了比 YOLOv8 更令人印象深刻的创新点。
使用 YOLOv9 处理图像和视频
步骤 1安装必要的库
pip install opencv-python ultralytics第 2 步导入库
import cv2
from ultralytics import YOLO第 3 步选择模型型号尺寸
model YOLO(yolov9c.pt)这里我们选择了 yolov9c.pt。大家可以选择不同的模型尺寸进行检测并比较不同的型号并权衡它们各自的优缺点。
第 4 步编写一个函数来预测和检测图像和视频中的对象
def predict(chosen_model, img, classes[], conf0.5):if classes:results chosen_model.predict(img, classesclasses, confconf)else:results chosen_model.predict(img, confconf)return resultsdef predict_and_detect(chosen_model, img, classes[], conf0.5, rectangle_thickness2, text_thickness1):results predict(chosen_model, img, classes, confconf)for result in results:for box in result.boxes:cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),(int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)cv2.putText(img, f{result.names[int(box.cls[0])]},(int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)return img, resultspredict() 功能
此函数采用三个参数
chosen_model 用于预测的训练模型img 要进行预测的图像classes 可选要将预测筛选到的类名列表conf 可选要考虑的预测的最小置信度阈值
该函数首先检查是否提供了 classes 参数。如果是则使用 classes 参数调用该chosen_model.predict() 方法该参数仅将预测筛选为这些类。否则将调用该 chosen_model.predict() 方法时不带 classes 参数该参数将返回所有预测。
该 conf 参数用于筛选出置信度分数低于指定阈值的预测。这对于消除误报很有用。
该函数返回预测结果列表其中每个结果都包含以下信息
name 预测类的名称conf 预测的置信度分数box 预测对象的边界框
predict_and_detect() 功能
此函数采用与 predict() 函数相同的参数但除了预测结果外它还返回带注释的图像。
该函数首先调用该 predict() 函数以获取预测结果。然后它循环访问预测结果并在每个预测对象周围绘制一个边界框。预测类的名称也写在边界框上方。
该函数返回一个包含带注释的图像和预测结果的元组。
以下是这两个函数之间差异的摘要
该 predict() 函数仅返回预测结果而该 predict_and_detect() 函数还返回带注释的图像。该 predict_and_detect() 函数是 predict() 函数的包装器这意味着它在内部调用函数 predict() 。
第 5 步使用 YOLOv9 检测图像
# read the image
image cv2.imread(YourImagePath)
result_img, _ predict_and_detect(model, image, classes[], conf0.5)如果要检测特定类只需在类列表classes中输入对象的 ID 号即可。
第 6 步保存并绘制结果图像
cv2.imshow(Image, result_img)
cv2.imwrite(YourSavePath, result_img)
cv2.waitKey(0)第 7 步使用 YOLOv9 检测视频
video_path rYourVideoPath
cap cv2.VideoCapture(video_path)
while True:success, img cap.read()if not success:breakresult_img, _ predict_and_detect(model, img, classes[], conf0.5)cv2.imshow(Image, result_img)cv2.waitKey(1)第 8 步保存结果视频
# 定义保存函数
def create_video_writer(video_cap, output_filename):# grab the width, height, and fps of the frames in the video stream.frame_width int(video_cap.get(cv2.CAP_PROP_FRAME_WIDTH))frame_height int(video_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))fps int(video_cap.get(cv2.CAP_PROP_FPS))#初始化fourcc cv2.VideoWriter_fourcc(*MP4V)writer cv2.VideoWriter(output_filename, fourcc, fps,(frame_width, frame_height))return writer只需使用上面的函数和代码即可
output_filename YourFilename
writer create_video_writer(cap, output_filename)video_path rYourVideoPath
cap cv2.VideoCapture(video_path)
while True:success, img cap.read()if not success:breakresult_img, _ predict_and_detect(model, img, classes[], conf0.5)writer.write(result_img)cv2.imshow(Image, result_img)cv2.waitKey(1)
writer.release()结论
在本文中我们学习了如何使用 YOLOv9 检测图像和视频中的对象。如果您觉得此代码有用感谢点赞关注。
引用 YOLOv9论文https://arxiv.org/abs/2402.13616 YOLOv9 源码地址https://github.com/WongKinYiu/yolov9 关注文末名片G-Z-H【阿旭算法与机器学习】发送【开源】可获取更多学习资源 好了这篇文章就介绍到这里喜欢的小伙伴感谢给点个赞和关注更多精彩内容持续更新~~ 关于本篇文章大家有任何建议或意见欢迎在评论区留言交流
