在本章節代碼編寫中，發現之前的代碼所處的環境是python3，因此導致了cv2.dnn.readNetFromDarknet()在代碼運行中導致了i[0]的獲值失敗，故總結如下：

cv2.dnn.readNetFromDarknet()在python3上遇到的問題_李大狗的讀研日記-CSDN博客問題描述：代碼如下net = cv2.dnn.readNetFromDarknet(configPath,weightsPath)#獲取YOLO每一層的名稱#getLayerNames（）：獲取網絡所有層的名稱。ln = net.getLayerNames()# 獲取輸出層的名稱: [yolo-82,yolo-94,yolo-106]# getUnconnectedOutLayers（）：獲取輸出層的索引ln = [ln[i[0] - 1] for i in net.getUnconnhttps://blog.csdn.net/qq_39237205/article/details/121344325

正片如下

---

在這里我們進行的目標檢測是基于OPenCV的利用yoloV3進行目標檢測，不涉及yoloV3的模型結構、理論及訓練過程，只是利用訓練好的模型進行目標檢測，整個流程如下：

基于OPenCV中的DNN模塊

• 加載已訓練好的yolov3模型及其權重參數
• 將要處理的圖像轉換成輸入到模型中的blobs
• 利用模型對目標進行檢測
• 遍歷檢測結果
• 應用非極大值抑制
• 繪制最終檢測結果，并存入到ndarray中，供目標追蹤使用。

代碼如下：

1.加載yolov3模型及其權重參數

# 1.加載可以識別物體的名稱，將其存放在LABELS中，一共有80種，在這我們只使用car labelsPath = "./yolo-coco/coco.names" LABELS = open(labelsPath).read().strip().split("\n")# 設置隨機數種子，生成多種不同的顏色，當一個畫面中有多個目標時，使用不同顏色的框將其框起來 np.random.seed(42) COLORS = np.random.randint(0, 255, size=(200, 3),dtype="uint8")# 加載已訓練好的yolov3網絡的權重和相應的配置數據 weightsPath = "./yolo-coco/yolov3.weights" configPath = "./yolo-coco/yolov3.cfg"# 加載好數據之后，開始利用上述數據恢復yolo神經網絡 net = cv2.dnn.readNetFromDarknet(configPath, weightsPath) # 獲取YOLO中每一網絡層的名稱：['conv_0', 'bn_0', 'relu_0', 'conv_1', 'bn_1', 'relu_1', 'conv_2', 'bn_2', 'relu_2'...] ln = net.getLayerNames() # 獲取輸出層在網絡中的索引位置，并以列表的形式：['yolo_82', 'yolo_94', 'yolo_106'] ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]

2.要處理的圖像轉換成輸入到模型中的blobs

# 2. 讀取圖像 frame = cv2.imread("./images/car1.jpg") # 視頻的寬度和高度，即幀尺寸 (W, H) = (None, None) if W is None or H is None:(H, W) = frame.shape[:2]# 根據輸入圖像構造blob,利用OPenCV進行深度網路的計算時，一般將圖像轉換為blob形式，對圖片進行預處理，包括縮放，減均值，通道交換等 # 還可以設置尺寸，一般設置為在進行網絡訓練時的圖像的大小 blob = cv2.dnn.blobFromImage(frame, 1 / 255.0, (416, 416), swapRB=True, crop=False)

3.利用模型對目標進行檢測

# 3.將blob輸入到前向網絡中，并進行預測 net.setInput(blob) start = time.time() # yolo前饋計算，獲取邊界和相應的概率 # 輸出layerOutsputs介紹： # 是YOLO算法在圖片中檢測到的bbx的信息 # 由于YOLO v3有三個輸出，也就是上面提到的['yolo_82', 'yolo_94', 'yolo_106'] # 因此layerOutsputs是一個長度為3的列表 # 其中，列表中每一個元素的維度是(num_detection, 85) # num_detections表示該層輸出檢測到bbx的個數 # 85：因為該模型在COCO數據集上訓練，[5:]表示類別概率；[0:4]表示bbx的位置信息；[5]表示置信度 layerOutputs = net.forward(ln)

4.遍歷檢測結果,獲得檢測框

# 下面對網絡輸出的bbx進行檢查： # 判定每一個bbx的置信度是否足夠的高，以及執行NMS算法去除冗余的bbxboxes = [] # 用于存放識別物體的框的信息，包括框的左上角橫坐標x和縱坐標y以及框的高h和寬w confidences = [] # 表示識別目標是某種物體的可信度 classIDs = [] # 表示識別的目標歸屬于哪一類，['person', 'bicycle', 'car', 'motorbike'....]# 4. 遍歷每一個輸出層的輸出 for output in layerOutputs:# 遍歷某個輸出層中的每一個目標for detection in output:scores = detection[5:] # 當前目標屬于某一類別的概率classID = np.argmax(scores) # 目標的類別IDconfidence = scores[classID] # 得到目標屬于該類別的置信度# 只保留置信度大于0.3的邊界框，若圖片質量較差，可以將置信度調低一點if confidence > 0.3:# 將邊界框的坐標還原至與原圖片匹配，YOLO返回的是邊界框的中心坐標以及邊界框的寬度和高度box = detection[0:4] * np.array([W, H, W, H])(centerX, centerY, width, height) = box.astype("int") # 使用 astype("int") 對上述 array 進行強制類型轉換，centerX：框的中心點橫坐標， centerY：框的中心點縱坐標，width：框的寬度，height：框的高度x = int(centerX - (width / 2)) # 計算邊界框的左上角的橫坐標y = int(centerY - (height / 2)) # 計算邊界框的左上角的縱坐標# 更新檢測到的目標框，置信度和類別IDboxes.append([x, y, int(width), int(height)]) # 將邊框的信息添加到列表boxesconfidences.append(float(confidence)) # 將識別出是某種物體的置信度添加到列表confidencesclassIDs.append(classID) # 將識別物體歸屬于哪一類的信息添加到列表classIDs

5.非極大值抑制

# 5. 非極大值抑制 idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.3)

6.最終檢測結果，繪制，并存入到ndarray中，供目標追蹤使用

# 6. 獲得最終的檢測結果 dets = [] # 存放檢測框的信息，包括左上角橫坐標，縱坐標，右下角橫坐標，縱坐標，以及檢測到的物體的置信度,用于目標跟蹤 if len(idxs) > 0: # 存在檢測框的話（即檢測框個數大于0）for i in idxs.flatten(): # 循環檢測出的每一個box# yolo模型可以識別很多目標，因為我們在這里只是識別車，所以只有目標是車的我們進行檢測，其他的忽略if LABELS[classIDs[i]] == "car":(x, y) = (boxes[i][0], boxes[i][1]) # 得到檢測框的左上角坐標(w, h) = (boxes[i][2], boxes[i][3]) # 得到檢測框的寬和高cv2.rectangle(frame, (x, y), (x+w, y+h), (0,255,0), 2) # 將方框繪制在畫面上dets.append([x, y, x + w, y + h, confidences[i]]) # 將檢測框的信息的放入dets中 # 設置數據類型，將整型數據轉換為浮點數類型，且保留小數點后三位 np.set_printoptions(formatter={'float': lambda x: "{0:0.3f}".format(x)}) # 將檢測框數據轉換為ndarray,其數據類型為浮點型 dets = np.asarray(dets)plt.imshow(frame[:,:,::-1])

在視頻中進行目標檢測：

labelsPath = "./yolo-coco/coco.names" LABELS = open(labelsPath).read().strip().split("\n")# 設置隨機數種子，生成多種不同的顏色，當一個畫面中有多個目標時，使用不同顏色的框將其框起來 np.random.seed(42) COLORS = np.random.randint(0, 255, size=(200, 3),dtype="uint8")# 加載已訓練好的yolov3網絡的權重和相應的配置數據 weightsPath = "./yolo-coco/yolov3.weights" configPath = "./yolo-coco/yolov3.cfg"# 加載好數據之后，開始利用上述數據恢復yolo神經網絡 net = cv2.dnn.readNetFromDarknet(configPath, weightsPath) # 獲取YOLO中每一網絡層的名稱：['conv_0', 'bn_0', 'relu_0', 'conv_1', 'bn_1', 'relu_1', 'conv_2', 'bn_2', 'relu_2'...] ln = net.getLayerNames() # 獲取輸出層在網絡中的索引位置，并以列表的形式：['yolo_82', 'yolo_94', 'yolo_106'] ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]""" 視頻處理類 """# 初始化vediocapture類，參數指定打開的視頻文件，也可以是攝像頭 vs = cv2.VideoCapture('./input/test_1.mp4') # 視頻的寬度和高度，即幀尺寸 (W, H) = (None, None) # 視頻文件寫對象 writer = Nonetry:# 確定獲取視頻幀數的方式prop = cv2.cv.CV_CAP_PROP_FRAME_COUNT if imutils.is_cv2() \else cv2.CAP_PROP_FRAME_COUNT# 獲取視頻的總幀數total = int(vs.get(prop))# 打印視頻的幀數print("[INFO] {} total frames in video".format(total)) except:print("[INFO] could not determine # of frames in video")print("[INFO] no approx. completion time can be provided")total = -1# 循環讀取視頻中的每一幀畫面 while True:# 讀取幀：grabbed是bool,表示是否成功捕獲幀，frame是捕獲的幀(grabbed, frame) = vs.read()# 若未捕獲幀，則退出循環if not grabbed:break# 若W和H為空，則將第一幀畫面的大小賦值給他if W is None or H is None:(H, W) = frame.shape[:2]# 根據輸入圖像構造blob,利用OPenCV進行深度網路的計算時，一般將圖像轉換為blob形式，對圖片進行預處理，包括縮放，減均值，通道交換等# 還可以設置尺寸，一般設置為在進行網絡訓練時的圖像的大小blob = cv2.dnn.blobFromImage(frame, 1 / 255.0, (416, 416), swapRB=True, crop=False)# 將blob輸入到前向網絡中net.setInput(blob)start = time.time()# yolo前饋計算，獲取邊界和相應的概率layerOutputs = net.forward(ln)"""輸出layerOutsputs介紹：是YOLO算法在圖片中檢測到的bbx的信息由于YOLO v3有三個輸出，也就是上面提到的['yolo_82', 'yolo_94', 'yolo_106']因此layerOutsputs是一個長度為3的列表其中，列表中每一個元素的維度是(num_detection, 85)num_detections表示該層輸出檢測到bbx的個數85：因為該模型在COCO數據集上訓練，[5:]表示類別概率；[0:4]表示bbx的位置信息；[5]表示置信度"""end = time.time()"""下面對網絡輸出的bbx進行檢查：判定每一個bbx的置信度是否足夠的高，以及執行NMS算法去除冗余的bbx"""boxes = [] # 用于存放識別物體的框的信息，包括框的左上角橫坐標x和縱坐標y以及框的高h和寬wconfidences = [] # 表示識別目標是某種物體的可信度classIDs = [] # 表示識別的目標歸屬于哪一類，['person', 'bicycle', 'car', 'motorbike'....]# 遍歷每一個輸出層的輸出for output in layerOutputs:# 遍歷某個輸出層中的每一個目標for detection in output:scores = detection[5:] # 當前目標屬于某一類別的概率"""# scores = detection[5:] ---> [0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.# 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.# 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.# 0. 0. 0. 0. 0. 0. 0. 0.]# scores的大小應該是1*80，因為在訓練yolo模型時是80類目標"""classID = np.argmax(scores) # 目標的類別IDconfidence = scores[classID] # 得到目標屬于該類別的置信度# 只保留置信度大于0.3的邊界框，若圖片質量較差，可以將置信度調低一點if confidence > 0.3:# 將邊界框的坐標還原至與原圖片匹配，YOLO返回的是邊界框的中心坐標以及邊界框的寬度和高度box = detection[0:4] * np.array([W, H, W, H])(centerX, centerY, width, height) = box.astype("int") # 使用 astype("int") 對上述 array 進行強制類型轉換，centerX：框的中心點橫坐標， centerY：框的中心點縱坐標，width：框的寬度，height：框的高度x = int(centerX - (width / 2)) # 計算邊界框的左上角的橫坐標y = int(centerY - (height / 2)) # 計算邊界框的左上角的縱坐標# 更新檢測到的目標框，置信度和類別IDboxes.append([x, y, int(width), int(height)]) # 將邊框的信息添加到列表boxesconfidences.append(float(confidence)) # 將識別出是某種物體的置信度添加到列表confidencesclassIDs.append(classID) # 將識別物體歸屬于哪一類的信息添加到列表classIDs# 上一步中已經得到yolo的檢測框，但其中會存在冗余的bbox,即一個目標對應多個檢測框，所以使用NMS去除重復的檢測框# 利用OpenCV內置的NMS DNN模塊實現即可實現非最大值抑制 ，所需要的參數是邊界 框、 置信度、以及置信度閾值和NMS閾值# 第一個參數是存放邊界框的列表，第二個參數是存放置信度的列表，第三個參數是自己設置的置信度，第四個參數是關于threshold（閾值# 返回的idxs是一個一維數組，數組中的元素是保留下來的檢測框boxes的索引位置idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.3)dets = [] # 存放檢測框的信息，包括左上角橫坐標，縱坐標，右下角橫坐標，縱坐標，以及檢測到的物體的置信度,用于目標跟蹤if len(idxs) > 0: # 存在檢測框的話（即檢測框個數大于0）for i in idxs.flatten(): # 循環檢測出的每一個box# yolo模型可以識別很多目標，因為我們在這里只是識別車，所以只有目標是車的我們進行檢測，其他的忽略if LABELS[classIDs[i]] == "car":(x, y) = (boxes[i][0], boxes[i][1]) # 得到檢測框的左上角坐標(w, h) = (boxes[i][2], boxes[i][3]) # 得到檢測框的寬和高dets.append([x, y, x + w, y + h, confidences[i]]) # 將檢測框的信息的放入dets中# 設置數據類型，將整型數據轉換為浮點數類型，且保留小數點后三位np.set_printoptions(formatter={'float': lambda x: "{0:0.3f}".format(x)})# 將檢測框數據轉換為ndarray,其數據類型為浮點型dets = np.asarray(dets)

---

總結

基于OPenCV的DNN模塊利用yoloV3模型進行目標檢測：

• 加載已訓練好的yolov3模型及其權重參數
• 將要處理的圖像轉換成輸入到模型中的blobs
• 利用模型對目標進行檢測
• 遍歷檢測結果，應用非極大值抑制
• 繪制最終檢測結果，并存入到ndarray中，供目標追蹤使用。

---

yolo.py 【實現對圖片的目標檢測】

# encoding:utf-8import imutils import time import cv2 import numpy as np import matplotlib.pyplot as plt #利用yolov3模型進行目標檢測 #加載模型相關信息 #加載可以檢測的目標的類型#labelPath：類別標簽文件的路徑 labelPath = "./yolo-coco/coco.names"# 加載類別標簽文件 LABELS = open(labelPath).read().strip().split("\n")#生成多種不同的顏色的檢測框 用來標注物體 np.random.seed(42) COLORS = np.random.randint(0,255,size=(200,3),dtype='uint8')#加載預訓練的模型：權重 配置信息、進行恢復模型 #weights_path：模型權重文件的路徑 weightsPath = "./yolo-coco/yolov3.weights" #configPath：模型配置文件的路徑 configPath = "./yolo-coco/yolov3.cfg"net = cv2.dnn.readNetFromDarknet(configPath,weightsPath) #獲取YOLO每一層的名稱 #getLayerNames（）：獲取網絡所有層的名稱。 ln = net.getLayerNames() # 獲取輸出層的名稱: [yolo-82,yolo-94,yolo-106] # getUnconnectedOutLayers（）：獲取輸出層的索引 ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]#圖像的讀取 frame = cv2.imread('./images/car1.jpg') (W,H)=(None,None) (H,W)=frame.shape[:2]# 將圖片構建成一個blob，設置圖片尺寸，然后執行一次前向傳播 # YOLO前饋網絡計算，最終獲取邊界框和相應概率 blob = cv2.dnn.blobFromImage(frame,1/255.0,(416,416),swapRB=True,crop=False) #將blob送入網絡 net.setInput(blob) start = time.time() #前向傳播，進行預測，返回目標框的邊界和響應的概率 layerOutouts = net.forward(ln) end = time.time()#存放目標的檢測框 boxes = [] #置信度 confidences = [] #目標類別 classIDs = []# 迭代每個輸出層，總共三個 for output in layerOutouts:#遍歷每個檢測結果for detection in output:# 提取類別ID和置信度#detction:1*85 [5:]表示類別，[0:4]bbox的位置信息 [5]置信度、可信度scores = detection[5:]classID = np.argmax(scores)confidence= scores[classID]# 只保留置信度大于某值的邊界框if confidence >0.3:# 將邊界框的坐標還原至與原圖片相匹配，記住YOLO返回的是邊界框的中心坐標以及邊界框的寬度和高度box = detection[0:4] * np.array([W, H, W, H])(centerX,centerY,width,height) = box.astype("int")# 計算邊界框的左上角位置x = int(centerX-width/2)y = int(centerY-height/2)# 更新目標框，置信度（概率）以及類別boxes.append([x,y,int(width),int(height)])confidences.append(float(confidence))classIDs.append(classID)# 使用非極大值抑制方法抑制弱、重疊的目標框 idxs = cv2.dnn.NMSBoxes(boxes,confidences,0.5,0.3) #檢測框的結果:左上角坐標、右下角坐標 dets = []# 確保至少有一個邊界框 if len(idxs)>0:# 迭代每個邊界框for i in idxs.flatten():# 提取邊界框的坐標if LABELS[classIDs[i]] == "car":(x,y)=(boxes[i][0],boxes[i][1])(w,h)=(boxes[i][2],boxes[i][3])cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)dets.append([x,y,x+w,y+h,confidences[i]]) # 類型設置 np.set_printoptions(formatter={'float': lambda x: "{0:0.3f}".format(x)}) dets = np.asarray(dets)#顯示 plt.imshow(frame[:,:,::-1]) plt.show()

結果顯示:

總結

以上是生活随笔為你收集整理的智慧交通day02-车流量检测实现12：基于yoloV3的目标检测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。