目标检测和识别:Python+OpenCV+Yolov3

1 说明：

=====

1.1 熟悉Python+OpenCV+Yolov3的目标检测和识别，以上三个都是强大的计算机视觉编程语言和库。

1.2 本代码注释清楚，小白秒懂。

1.3 图片来源今日头条正版免费图库。

1.4 原图：

1.5 效果图：

2 准备：

=====

2.1 环境：python3.8+OpenCV4.2.0

2.2 三个文件：yolov3.cfg、coco.names和yolov3.weights.

Weight file：这是训练有素的模型，是检测物体的算法的核心。

Cfg file: 它是配置文件，其中包含算法的所有设置。

Name files: 包含算法可以检测到的对象的名称。

2.2.1 yolov3.cfg和coco.names，简单。

https://github.com/jielingao/yolov3  #下载地址

2.2.2 yolov3.weights文件较大，下载较慢。

#文件很大，官网下载很慢
https://pjreddie.com/media/files/yolov3.weights
#感谢网友提供，指定下载yolov3.weights，较快
https://pan.baidu.com/s/1__zDF-pC-0eXcZc1gm6kFA
#提取码：jnhn (永久有效)

3 注释版的代码main.py：

==================

3.1 第1步：导入模块

import cv2
import numpy as np

3.2 第2步：加载yolov3文件（3个文件，注意路径）

#权重和配置
net =  cv2.dnn.readNet('/home/xgj/Desktop/pyyolo/yolov3.weights',
'/home/xgj/Desktop/pyyolo/yolov3.cfg')

#定义一个空的列表存放名字
classes = []
#打开文件并读取
with open('/home/xgj/Desktop/pyyolo/coco.names','r') as f:
    classes = [ line.strip() for line in f.readlines() ]

layer_names = net.getLayerNames()
outputlayers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

3.3 第3步：相关设置颜色和读取图片

# 颜色设置：随机色
colors= np.random.uniform(0,255,size=(len(classes),3))
#字体设置
font = cv2.FONT_HERSHEY_PLAIN
#读取需要检测图片，注意路径
img = cv2.imread('/home/xgj/Desktop/pyyolo/pic4.jpeg')
#获取图片的高、宽和通道
height,width,channels = img.shape

3.4 第4步：侦测物体

# Blob用于提取图片中的特征并调整其大小。 YOLO接受三种尺寸：
#320×320  很小，所以精度较低，但速度快
#609×609 很大，因此精度高、但速度慢 
#416×416位于中间，两者的折中。

blob = cv2.dnn.blobFromImage(img,0.00392,(416,416),(0,0,0),True,crop=False)

net.setInput(blob)

#Outs是一个数组，包含有关所检测对象的所有信息，它们的位置以及对检测的置信度的信息
outs = net.forward(outputlayers)

#初始化定义三个空列表
class_ids=[]  #有时候叫Label：它是检测到的对象的名称
confidences=[]  #从0到1的检测置信度。
boxes=[]    #包含围绕检测到的对象的矩形的坐标。

#遍历列表读取，存入三个列表中
for out in outs:
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        if confidence > 0.5:
            #onject detected
            
            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)
            
            #存入列表中
            boxes.append([x,y,w,h]) #put all rectangle areas
            confidences.append(float(confidence)) #how confidence was that object detected and show that percentage
            class_ids.append(class_id) #name of the object tha was detected

#执行检测时，碰巧我们在同一物体上有更多的BOX，因此我们应该使用另一个函数来消除这种“噪音”。 称为非最大限制
indexes = cv2.dnn.NMSBoxes(boxes,confidences,0.4,0.6)

3.5 第5步：绘制框

font = cv2.FONT_HERSHEY_PLAIN
for i in range(len(boxes)):
    if i in indexes:
        x,y,w,h = boxes[i]
        label = str(classes[class_ids[i]])
        color = colors[i]
        cv2.rectangle(img,(x,y),(x+w,y+h),color,2)
        #显示颜色255,255,255=白色；绿色=0,255,0
        #3为字体大小，默认为1
        cv2.putText(img,label,(x,y+30),font,3,(0,255,0),2)

3.6 第6步：显示效果图片

 cv2.imshow("Image",img)
cv2.waitKey(0)
cv2.destroyAllWindows()

4 小结：

=====

4.1 猴子没有检测出来，小bug。

4.2 漏掉一个人，没检测出来，小bug。