文章目录
Python中实现YOLO目标检测
一、引言
YOLO（You Only Look Once）是一种流行的实时目标检测算法，以其速度快和准确性高而闻名。在Python中，我们可以使用Ultralytics提供的YOLO模型来实现目标检测。本文将介绍如何在Python中使用YOLO进行目标检测，并提供代码示例。
二、环境准备
1、安装依赖
在开始之前，确保你的环境中安装了必要的库。主要依赖是torch和opencv-python，可以通过以下命令安装：
pip install torch opencv-python
2、下载预训练模型
在Python中使用YOLOv8进行目标检测，首先需要下载预训练的模型。Ultralytics提供了多种预训练模型，这些模型在不同的任务上进行了优化，例如目标检测、实例分割、姿态估计等。以下是如何在Python中加载预训练的YOLOv8模型的示例代码：
import torch
# 加载预训练的YOLOv8模型
# 'yolov8n' 是模型的名称，'n' 表示轻量级版本
model = torch.hub.load('ultralytics/yolov8', 'yolov8n')
这段代码通过torch.hub.load方法直接从Ultralytics的GitHub仓库下载并加载预训练的YOLOv8模型。你可以根据需要选择不同的模型版本，例如yolov8s、yolov8m、yolov8l和yolov8x，这些模型在大小和性能上有所不同，以适应不同的应用场景。
Ultralytics的官方文档提供了详细的模型列表和特点，包括每种模型支持的任务和操作模式。例如，如果你需要进行实例分割，可以选择yolov8n-seg模型；如果需要进行姿态估计，则可以选择yolov8n-pose模型。这些模型在首次使用时会自动从Ultralytics的发布页面下载。
通过这种方式，你可以轻松地在Python项目中集成YOLOv8的强大功能，无需从头开始训练模型，大大节省了时间和计算资源。
三、目标检测
1、图像检测
使用YOLO模型对单张图像进行目标检测的步骤如下：
import cv2
# 读取图像
img_path = 'path_to_your_image.jpg'
img = cv2.imread(img_path)
# 使用YOLO模型进行检测
results = model(img)
# 显示检测结果
results.show()
2、视频检测
对于视频流的目标检测，你可以使用以下代码：
video_path = 'path_to_your_video.mp4'
cap = cv2.VideoCapture(video_path)
while cap.isOpened():
success, frame = cap.read()
if success:
# 在帧上运行YOLOv8追踪
results = model(frame, persist=True)
# 展示结果
annotated_frame = results[0].plot()
cv2.imshow("YOLOv8 Tracking", annotated_frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
else:
break
cap.release()
cv2.destroyAllWindows()
四、使用示例
1、轨迹追踪
在视频中识别并追踪物体的运行轨迹，可以使用以下代码：
from collections import defaultdict
import cv2
import numpy as np
# 加载模型
model = torch.hub.load('ultralytics/yolov8', 'yolov8n')
# 打开视频
video_path = "0.mp4"
cap = cv2.VideoCapture(video_path)
# 保存历史记录
track_history = defaultdict(lambda: [])
while cap.isOpened():
success, frame = cap.read()
if success:
# 追踪
results = model(frame, persist=True)
# 读取当前帧中物体的框
boxes = results[0].boxes.xywh.cpu()
# 获取每个被追踪的物体 id
track_ids = results[0].boxes.id.int().cpu().tolist()
annotated_frame = results[0].plot()
# 绘制
for box, track_id in zip(boxes, track_ids):
x, y, w, h = box
track = track_history[track_id]
track.append((float(x), float(y)))
if len(track) > 30:
track.pop(0)
points = np.hstack(track).astype(np.int32).reshape((-1, 1, 2))
cv2.polylines(annotated_frame, [points], isClosed=False, color=(230, 230, 230), thickness=10)
cv2.imshow("YOLOv8 Tracking", annotated_frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
else:
break
cap.release()
cv2.destroyAllWindows()
五、总结
YOLO是一个强大的目标检测工具，可以在Python中轻松实现。通过使用预训练模型，我们可以快速地对图像和视频进行目标检测和追踪。本文提供了基本的使用示例，你可以根据需要进行扩展和定制。
版权声明：本博客内容为原创，转载请保留原文链接及作者信息。
参考文章：
- Android部署自定义YOLOV8模型（2024.10.25）-全流程_android yolo-CSDN博客
- 零基础 从 yolo8 入门计算机视觉超简单：物体识别、图像分类、轨迹追踪、姿势识别 - 痴者工良