数字博物馆网站建设内容e点互动网站
大家好，YOLOv9 与其前身v8一样，专注于识别和精确定位图像和视频中的对象。本文将介绍如何使用YOLOv9进行图像与视频检测，自动驾驶汽车、安全系统和高级图像搜索等应用在很大程度上依赖于此功能，YOLOv9 引入了比 YOLOv8 更令人印象深刻的创新点。
1.安装必要的库
pip install opencv-python ultralytics
2.导入库
import cv2
from ultralytics import YOLO
3.选择模型型号尺寸
model = YOLO("yolov9c.pt")
这里我们选择yolov9c.pt，大家可以选择不同的模型尺寸进行检测，并比较不同的型号并权衡它们各自的优缺点。
4.编写函数预测和检测图像和视频中的对象
def predict(chosen_model, img, classes=[], conf=0.5):if classes:results = chosen_model.predict(img, classes=classes, conf=conf)else:results = chosen_model.predict(img, conf=conf)return resultsdef predict_and_detect(chosen_model, img, classes=[], conf=0.5, rectangle_thickness=2, text_thickness=1):results = predict(chosen_model, img, classes, conf=conf)for result in results:for box in result.boxes:cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),(int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)cv2.putText(img, f"{result.names[int(box.cls[0])]}",(int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)return img, results
predict() 这个函数采用三个参数：
-
chosen_model：用于预测的训练模型 -
img：要进行预测的图像 -
classes：（可选）要将预测筛选到的类名列表 -
conf：（可选）要考虑的预测的最小置信度阈值
函数首先检查是否提供classes参数。如果是，则使用classes参数调用该chosen_model.predict() 方法，该参数仅将预测筛选为这些类。否则，将调用该 chosen_model.predict() 方法时不带 classes 参数，该参数将返回所有预测。
该 conf 参数用于筛选出置信度分数低于指定阈值的预测。这对于消除误报很有用。
该函数返回预测结果列表，其中每个结果都包含以下信息：
-
name：预测类的名称 -
conf：预测的置信度分数 -
box：预测对象的边界框
predict_and_detect() 函数采用与 predict() 函数相同的参数，但除了预测结果外，它还返回带注释的图像。
该函数首先调用该 predict() 函数以获取预测结果。然后，它循环访问预测结果，并在每个预测对象周围绘制一个边界框。预测类的名称也写在边界框上方。
该函数返回一个包含带注释的图像和预测结果的元组。
以下是这两个函数之间差异的摘要：
-
该
predict()函数仅返回预测结果，而该predict_and_detect()函数还返回带注释的图像。 -
该
predict_and_detect()函数是predict()函数的包装器，这意味着它在内部调用函数predict()。
5.使用 YOLOv9 检测图像
# read the image
image = cv2.imread("YourImagePath")
result_img, _ = predict_and_detect(model, image, classes=[], conf=0.5)
如果要检测特定类，只需在类列表classes中输入对象的 ID 号即可。
6.保存并绘制结果图像
cv2.imshow("Image", result_img)
cv2.imwrite("YourSavePath", result_img)
cv2.waitKey(0)
7.使用 YOLOv9 检测视频
video_path = r"YourVideoPath"
cap = cv2.VideoCapture(video_path)
while True:success, img = cap.read()if not success:breakresult_img, _ = predict_and_detect(model, img, classes=[], conf=0.5)cv2.imshow("Image", result_img)cv2.waitKey(1)
8.保存结果视频
# 定义保存函数
def create_video_writer(video_cap, output_filename):# grab the width, height, and fps of the frames in the video stream.frame_width = int(video_cap.get(cv2.CAP_PROP_FRAME_WIDTH))frame_height = int(video_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))fps = int(video_cap.get(cv2.CAP_PROP_FPS))#初始化fourcc = cv2.VideoWriter_fourcc(*'MP4V')writer = cv2.VideoWriter(output_filename, fourcc, fps,(frame_width, frame_height))return writer
只需使用上面的函数和代码即可：
output_filename = "YourFilename"
writer = create_video_writer(cap, output_filename)video_path = r"YourVideoPath"
cap = cv2.VideoCapture(video_path)
while True:success, img = cap.read()if not success:breakresult_img, _ = predict_and_detect(model, img, classes=[], conf=0.5)writer.write(result_img)cv2.imshow("Image", result_img)cv2.waitKey(1)
writer.release()