Opencv YOLO3目標檢測 C

wget wget -o ./yolov3.cfg

wget -o ./coco.names

yolov3演算法的**結果就是邊界框。每乙個邊界框都旁隨著乙個置信值。第一階段中，全部低於置信度閥值的都會排除掉。對剩餘的邊界框執行非最大抑制演算法，以去除重疊的邊界框。非最大抑制由乙個引數nmsthrehold控制。讀者可以嘗試改變這個數值，觀察輸出的邊界框的改變。接下來，設定輸入的寬度（inpwidth）和高度（inpheight）。我們設定他們為416，以便對比yolov3作者提供的darknets的c**。如果想要更快的速度，讀者可以把寬度和高度設定為320。如果想要更準確的結果，改變他們到608。

float confthreshold = 0.5;//置信度閾值
float nmsthreshold = 0.4;//非最大抑制閾值
int inpwidth = 416;//網路輸入寬度
int inpheight = 416;//網路輸入高度

接下來我們讀入coco資料庫並將類名存入vector classes容器。並載入模型與權重檔案yolov3.cfg和yolov3.weights。最後把dnn的後端設定為opencv，目標設定cpu。也可以通過cv::dnn::dnn_target_opencl設定目標為gpu。

//將類名存進容器
string classesfile = "d:\\code\\c++\\yolo3-detecction\\coco.names";包含80種不同的類名
ifstream ifs(classesfile.c_str());
string line;
while(getline(ifs,line))classes.push_back(line);
//取得模型的配置和權重檔案
cv::string modelconfiguration = "d:\\code\\c++\\yolo3-detecction\\yolov3.cfg";
cv::string modelweights = "d:\\code\\c++\\yolo3-detecction\\yolov3.weights";
//載入網路
cv::dnn::net net = cv::dnn::readnetfromdarknet(modelconfiguration,modelweights);
net.setpreferablebackend(cv::dnn::dnn_backend_opencv);
net.setpreferablebackend(cv::dnn::dnn_target_opencl);

string str, outputfile;

cv::videocapture cap("d:\\code\\c++\\yolo3-detecction\\run.mp4");

cv::videowriter video;

cv::mat frame,blob;

//開啟攝像頭

// cv::videocapture cap(1);

//建立視窗

static const string kwinname = "deep learning object detection in opencv";

cv::namedwindow(kwinname,cv::window_autosize);

while(cv::waitkey(1)<0)
//在dnn中從磁碟載入
cv::dnn::blobfromimage(frame,blob,1/255.0,cv::size(inpwidth,inpheight));
//設定輸入
net.setinput(blob);
//設定輸出層
vectorouts;//儲存識別結果
net.forward(outs,getoutputnames(net));
//移除低置信度邊界框
postprocess(frame,outs);
//顯示s延時資訊並繪製
vectorlayerstimes;
double freq = cv::gettickfrequency()/1000;
double t=net.getperfprofile(layerstimes)/freq;
string label = cv::format("infercence time for a frame:%.2f ms",t);
cv::puttext(frame,label,cv::point(0,15),cv::font_hershey_******x,0.5,cv::scalar(0,255,255));
//繪製識別框
cv::imshow(kwinname,frame);
}

opencv的網路類中的前向功能需要結束層，直到它在網路中執行。因為我們需要執行整個網路，所以我們需要識別網路中的最後一層。我們通過使用getunconnectedoutlayers()獲得未連線的輸出層的名字，該層基本就是網路的最後層。然後我們執行前向網路，得到輸出，如前面的**片段（net.forward(getoutputsnames(net))）。

//從輸出層得到名字
vectorgetoutputnames(const cv::dnn::net& net)}}
//低置信度
vectorindices;//儲存沒有重疊邊框的索引
//該函式用於抑制重疊邊框
cv::dnn::nmsboxes(boxes,confidences,confthreshold,nmsthreshold,indices);
for(size_t i=0;i非最大抑制由引數nmsthreshold控制。如果nmsthreshold設定太少，比如0.1，我們可能檢測不到相同或不同種類的重疊目標。如果設定得太高，比如1，可能出現乙個目標有多個邊界框包圍。所以我們在上面的**使用了0.4這個中間的值。
最後，經過非最大抑制後，得到了邊界框。我們把邊界框在輸入幀上畫出，並標出種類名和置信值。
//繪製**邊界框
void drawpred(int classid,float conf,int left,int top,int right,int bottom,cv::mat& frame)
//繪製邊界框上的標籤
int baseline;
cv::size labelsize = cv::gettextsize(label,cv::font_hershey_******x,0.5,1,&baseline);
top = max(top,labelsize.height);
cv::rectangle(frame,cv::point(left,top-round(1.5*labelsize.height)),cv::point(left+round(1.5*labelsize.width),top+baseline),cv::scalar(255,255,255),cv::filled);
cv::puttext(frame, label,cv::point(left, top), cv::font_hershey_******x, 0.75,cv::scalar(0, 0, 0), 1);
}

Opencv YOLO3目標檢測 C

yolo3 目標檢測實測

Anaconda yolov3 目標檢測頭盔實戰

目標檢測目標檢測通用框架總結

Opencv YOLO3目標檢測 C

yolo3 目標檢測 實測

Anaconda yolov3 目標檢測 頭盔實戰

目標檢測 目標檢測通用框架總結

相關推薦

yolo3 目標檢測實測

Anaconda yolov3 目標檢測頭盔實戰

目標檢測目標檢測通用框架總結