阿里云自助建站教程,长春火车站是南站还是北站,石家庄最新新闻事件,平台公司组建方案本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码Github#xff0c;删减了源码中部分内容#xff0c;满足个人科研需求。 本系列文章主要以YOLOv5为例完成算法的实现#xff0c;后续修改、增加相关模… 本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码Github删减了源码中部分内容满足个人科研需求。 本系列文章主要以YOLOv5为例完成算法的实现后续修改、增加相关模块即可实现其他版本的YOLO算法。 文章地址 YOLOv5算法实现(一)算法框架概述 YOLOv5算法实现(二)模型加载 YOLOv5算法实现(三)数据集加载 YOLOv5算法实现(四)正样本匹配与损失计算 YOLOv5算法实现(五)预测结果后处理 YOLOv5算法实现(六)评价指标及实现 YOLOv5算法实现(七)模型训练 YOLOv5算法实现(八)模型验证 YOLOv5算法实现(九)模型预测 本文目录 引言模型预测(predict.py) 引言 本篇文章综合之前文章中的功能实现模型的预测。模型预测的逻辑如图1所示。 图1 模型预测流程 模型预测(predict.py)
def predice():img_size 640 # 必须是32的整数倍 [416, 512, 608]file yolov5scfg fcfg/models/{file}.yaml # 改成生成的.cfg文件weights_path fweights/{file}/{file}.pt # 改成自己训练好的权重文件json_path data/dataset.json # json标签文件img_path test.jpgsave_path fresults/{file}/test_result8.jpgassert os.path.exists(cfg), cfg file {} dose not exist..format(cfg)assert os.path.exists(weights_path), weights file {} dose not exist..format(weights_path)assert os.path.exists(json_path), json file {} dose not exist..format(json_path)assert os.path.exists(img_path), image file {} dose not exist..format(img_path)with open(json_path, r) as f:class_dict json.load(f)category_index {str(v): str(k) for k, v in class_dict.items()}input_size (img_size, img_size)device torch.device(cuda:0 if torch.cuda.is_available() else cpu)device torch.device(cpu)model Model(cfg, ch3, nc3)weights_dict torch.load(weights_path, map_locationcpu)weights_dict weights_dict[model] if model in weights_dict else weights_dictmodel.load_state_dict(weights_dict, strictFalse)model.to(device)model.eval()with torch.no_grad():# initimg torch.zeros((1, 3, img_size, img_size), devicedevice)model(img)img_o cv2.imread(img_path) # BGRassert img_o is not None, Image Not Found img_pathimg letterbox(img_o, new_shapeinput_size, autoTrue, color(0, 0, 0))[0]# Convertimg img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416img np.ascontiguousarray(img)img torch.from_numpy(img).to(device).float()img / 255.0 # scale (0, 255) to (0, 1)img img.unsqueeze(0) # add batch dimensiont1 torch_utils.time_synchronized()pred model(img)[0] # only get inference resultt2 torch_utils.time_synchronized()print(inference time: {}s.format(t2 - t1))print(model: {}.format(file))pred utils.non_max_suppression(pred, conf_thres0.1, iou_thres0.6, multi_labelTrue)[0]t3 time.time()print(post-processing time: {}s.format(t3 - t2))# process detectionspred[:, :4] utils.scale_coords(img.shape[2:], pred[:, :4], img_o.shape).round()bboxes pred[:, :4].detach().cpu().numpy()scores pred[:, 4].detach().cpu().numpy()classes pred[:, 5].detach().cpu().numpy().astype(np.int) 1pil_img Image.fromarray(img_o[:, :, ::-1])plot_img draw_objs(pil_img,bboxes,classes,scores,category_indexcategory_index,box_thresh0.2,line_thickness3,fontarial.ttf,font_size30)plt.imshow(plot_img)plt.show()# 保存预测的图片结果plot_img.save(save_path)if __name__ __main__:predict()
