runosd手表(runosd手表 斯诺威登官网)

importcv2ascvimportnumpyasnpcap=cv.VideoCapture(0)whT=320confThreshold=0.5nmsThreshold=0.2#theloweritisthemoreaggressiveitwillbeprint(f"以下是你可以检测的{80}种物品:")####LOADMODEL#########################################导入coco.names文件当中的内容classesFile="coco.names"#classNames=[]#withopen(classesFile,'rt')asf:#classNames=f.read().rstrip('\\n').split('\\n')#print(classNames)###########################################################ModelFiles#####################################################引进我们的模块modelConfiguration="yolov3-320.cfg"#modelWeights="yolov3-320.weights"#net=cv.dnn.readNetFromDarknet(modelConfiguration,modelWeights)#net.setPreferableBackend(cv.dnn.DNN_BACKEND_OPENCV)#net.setPreferableTarget(cv.dnn.DNN_TARGET_CPU)####################################################################deffindObjects(outputs,img):hT,wT,cT=img.shapebbox=[]classIds=[]confs=[]foroutputinoutputs:fordetinoutput:scores=det[5:]#我们需要寻找某一个类中，判别最高的classId=np.argmax(scores)confidence=scores[classId]ifconfidence>confThreshold:w,h=int(det[2]*wT),int(det[3]*hT)#值是百分比，乘以图像的大小才是正确的像素值x,y=int((det[0]*wT)-w/2),int((det[1]*hT)-h/2)bbox.append([x,y,w,h])classIds.append(classId)confs.append(float(confidence))indices=cv.dnn.NMSBoxes(bbox,confs,confThreshold,nmsThreshold)#置信度阈值以及nms的阈值#print(indices)foriinindices:box=bbox[i]x,y,w,h=box[0],box[1],box[2],box[3]#print(x,y,w,h)cv.rectangle(img,(x,y),(x+w,y+h),(255,0,255),2)cv.putText(img,f'{classNames[classIds[i]].upper()}{int(confs[i]*100)}%',(x,y-10),cv.FONT_HERSHEY_SIMPLEX,0.6,(255,0,255),2)whileTrue:success,img=cap.read()blob=cv.dnn.blobFromImage(img,1/255,(whT,whT),[0,0,0],1,crop=False)net.setInput(blob)layersNames=net.getLayerNames()#print(layersNames)#print(net.getUnconnectedOutLayers())outputNames=[(layersNames[i-1])foriinnet.getUnconnectedOutLayers()]#print(outputNames)outputs=net.forward(outputNames)#print(len(outputs))#检测是否取到我们需要的那三层,输出为3，Trueoutputs=list(outputs)#输出之前是元组#print(type(outputs[0]))#<class'numpy.ndarray'>###########################################print(outputs[0].shape)#(300,85)300，1200，4800isisthenumberofboundingboxes#print(outputs[1].shape)#(1200,85)#print(outputs[2].shape)#(4800,85)#print(outputs[0][0])##########################################findObjects(outputs,img)cv.imshow('Image',img)ifcv.waitKey(1)&0xFF==27:break

我们一口气讲完，准备了这些天，也不是白费的，当然有些地方，可能我讲的不是那么清楚，请见谅。但好在这次我将调试的所有过程都保留了下来，结合注释和我的讲解，7788应当是有的。

首先，开头部分都是些后来设置的默认条件，等用到的时候再将。我们需要导入我们的"coco.names文件"，它是每个单词为一行，所以通过文件操作，将其中内容放入到一个新的列表当中，我们用到了read()、rstrip()、split()函数，不清楚的地方，可以去W3school上查询。其次，引入我们从官网下载的文件，用到了readNetFromDarknet()函数，它的参数是模型配置和权重配置，也就是我们下载的模块，他会读取存储在<ahref=”中的网络模型https://pjreddie.com/darknet/“>Darknet</a>模型文件，返回一个网络对象，这正是我们想要的。net.setPreferableBackend()要求网络使用其支持的特定计算后，它的参数需要我们给定为cv.dnn.DNN_BACKEND_OPENCV，因为它是具有一个默认的值。net.setPreferableTarget()要求网络在特定目标设备上进行计算，我选择使用的是CPU，当然要想获得更高的精度，就要使用GPU，但我并不了解，所以点到为止哈。其次，我们再来讲解whileTrue循环中的代码，读取摄像头，创建我们的网络，将图像转化为blob的形式，因为这是网络可以理解的形式，里面的参数我讲一下（whT,whT），其余的就是默认了，在开始时就已经定义了为320，那为什么是320，因为yolov3-320.cfg等，就是这个原因啦，它的分辨率就是320*320；net.setInput(blob)就是设置网络前行的通行证；接下来，我们要获得我们最感兴趣的那三层，用net.getLayerNames()函数获取所有层的名字，在得到三个不同的输出层的索引值，接着用列表生成式，根据索引将内容放进去，得到['yolo_82','yolo_94','yolo_106']。net.forward(outputNames)返回指定层的第一个输出的blob。再往下就是我的一些调试过程，我保留了调试时的注释，不懂的地方，不妨就取消注释，跑一遍就成。然后，再来讲解我们的findObjects(outputs,img)里面的内容，获取图像的宽高通道，设置空列表，放置边界框，Id，置信度等，那么下面的操作就是为了将这些空列表填满！！！，我们在上面有展示过outputs[0][0]的输出，我们不能将中心x，中心y，宽，高，置信度等作比较，因为它们相对较大，索引是从第五个开始，然后便是我所说的填满操作，应该不难，我们就此跳过。紧接着，来到尾声了，我们常会有检测时出现大小框，那么这是就需要处理，得到检测较大的那个框，让我们的检测更加的完善，cv.dnn.NMSBoxes()函数，参数confThreshold已经在开头定义，检测的大于50%，那就相当好了，nms_threshold用于非最大抑制的阈值，也是实现定义好了，这个用法我们在《Opencv项目实战：05物体检测》就讲到过。然后就是画框，放文本的操作，几乎我们每一期的实战项目都在讲。最后，引用findObjects(outputs,img)函数，开启摄像头，展示窗口，检测物体，完成后点击Esc键即可退出。