21xrx.com
2024-12-22 16:32:42 Sunday
登录
文章检索 我的文章 写文章
使用OpenCV实现Yolov8目标检测
2023-08-04 22:37:03 深夜i     --     --
OpenCV Yolov8 目标检测 实现 图像处理

Yolov8是一种先进的目标检测算法，它在计算机视觉领域应用广泛。通过使用OpenCV库，我们可以很容易地实现Yolov8目标检测，从而实现对图像或视频中的物体进行准确的检测和定位。

首先，我们需要安装OpenCV库。在Python环境中执行`pip install opencv-python`命令即可完成安装。

接下来，我们需要下载Yolov8的模型文件。可以在GitHub上找到相应的模型文件，并将其下载到本地。

在完成安装和下载后，我们可以开始编写代码来实现Yolov8目标检测。

首先，导入必要的库：



import cv2


import numpy as np

然后，加载模型文件并进行初始化：



net = cv2.dnn.readNetFromDarknet('yolov8.cfg', 'yolov8.weights')


output_layers = net.getUnconnectedOutLayersNames()

接下来，我们可以读取图像或视频，并将其传递给Yolov8算法进行目标检测：



image = cv2.imread('image.jpg')


height, width, channels = image.shape


blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416), swapRB=True, crop=False)


net.setInput(blob)


outs = net.forward(output_layers)

然后，我们可以解析算法的输出，提取检测到的目标的边界框和类别信息：



class_ids = []


confidences = []


boxes = []


for out in outs:


  for detection in out:


    scores = detection[5:]


    class_id = np.argmax(scores)


    confidence = scores[class_id]


    if confidence > 0.5:


      center_x = int(detection[0] * width)


      center_y = int(detection[1] * height)


      w = int(detection[2] * width)


      h = int(detection[3] * height)


      x = int(center_x - w / 2)


      y = int(center_y - h / 2)


      boxes.append([x, y, w, h])


      confidences.append(float(confidence))


      class_ids.append(class_id)

最后，我们可以绘制检测结果，并显示在图像或视频上：



indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)


font = cv2.FONT_HERSHEY_SIMPLEX


for i in range(len(boxes)):


  if i in indexes:


    x, y, w, h = boxes[i]


    label = str(class_ids[i])


    confidence = confidences[i]


    color = (0, 255, 0)


    cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)


    cv2.putText(image, label, (x, y - 10), font, 0.5, color, 2)


cv2.imshow('Object Detection', image)


cv2.waitKey(0)


cv2.destroyAllWindows()

通过以上步骤，我们就可以使用OpenCV实现Yolov8目标检测。这个简单的实现可以帮助我们检测图像或视频中的物体，并将其标识出来。当然，还可以根据实际需求进行参数调整和功能扩展，以提高检测的准确性和效率。

  
  

评论区

{{item['qq_nickname']}}
()
回复
回复