做地图特效的网站一学一做教育视频网站

yolov8 opencv模型部署（python版）

使用opencv推理yolov8模型，以yolov8n为例子，一共几十行代码，没有废话，给出了注释，从今天起，少写一行代码，少掉一根头发。测试数据有需要见文章结尾。

一、安装yolov8

conda create -n yolov8 python=3.9 -y
conda activate yolov8
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

二、导出onnx

导出onnx格式模型的时候，注意，如果你是自己训练的模型，只需要把以下代码中yolov8n.pt修改为自己的模型即可，如best.pt。如果是下面代码中默认的模型，并且你没有下载到本地，系统会自动下载，我这里在文章末尾提供了下载链接。

将以下代码创建、拷贝到yolov8根目录下。

具体代码my_export.py：

from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.pt')  # load an official model
# Export the model
model.export(format='onnx', opset=12)

执行导出命令：

python my_export.py

输出如下图信息，表明onnx格式的模型被成功导出，保存在my_export.py同一级目录。

三、基于opencv推理onnx

在章节一中，安装了ultralytics的时候，默认安装了opencv-python4.8.0.74，所以推理的时候可以直接利用这个python环境。将以下代码创建、拷贝到yolov8根目录下。

具体代码infer_opencv.py

import argparse
import cv2.dnn
import numpy as np'''
注意：如果你推理自己的模型，以下类别需要改成你自己的具体类别
'''
# coco80个类别
CLASSES = {0: 'person', 1: 'bicycle', 2: 'car', 3: 'motorcycle', 4: 'airplane', 5: 'bus', 6: 'train', 7: 'truck', 8: 'boat', 9: 'traffic light', 10: 'fire hydrant', 11: 'stop sign', 12: 'parking meter', 13: 'bench', 14: 'bird', 15: 'cat', 16: 'dog', 17: 'horse', 18: 'sheep', 19: 'cow', 20: 'elephant', 21: 'bear', 22: 'zebra', 23: 'giraffe', 24: 'backpack', 25: 'umbrella', 26: 'handbag', 27: 'tie', 28: 'suitcase', 29: 'frisbee', 30: 'skis', 31: 'snowboard', 32: 'sports ball', 33: 'kite', 34: 'baseball bat', 35: 'baseball glove', 36: 'skateboard', 37: 'surfboard', 38: 'tennis racket', 39: 'bottle', 40: 'wine glass', 41: 'cup', 42: 'fork', 43: 'knife', 44: 'spoon', 45: 'bowl', 46: 'banana', 47: 'apple', 48: 'sandwich', 49: 'orange', 50: 'broccoli', 51: 'carrot', 52: 'hot dog', 53: 'pizza', 54: 'donut', 55: 'cake', 56: 'chair', 57: 'couch', 58: 'potted plant', 59: 'bed', 60: 'dining table', 61: 'toilet', 62: 'tv', 63: 'laptop', 64: 'mouse', 65: 
'remote', 66: 'keyboard', 67: 'cell phone', 68: 'microwave', 69: 'oven', 70: 'toaster', 71: 'sink', 72: 'refrigerator', 73: 'book', 74: 'clock', 75: 'vase', 76: 'scissors', 77: 'teddy bear', 78: 'hair drier', 79: 'toothbrush'}
# 80个类别对应80中随机颜色
colors = np.random.uniform(0, 255, size=(len(CLASSES), 3))# 绘制
def draw_bounding_box(img, class_id, confidence, x, y, x_plus_w, y_plus_h):label = f'{CLASSES[class_id]} ({confidence:.2f})'color = colors[class_id]# 绘制矩形框cv2.rectangle(img, (x, y), (x_plus_w, y_plus_h), color, 2)# 绘制类别cv2.putText(img, label, (x - 10, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)def main(onnx_model, input_image):# 使用opencv读取onnx文件model: cv2.dnn.Net = cv2.dnn.readNetFromONNX(onnx_model)# 读取原图original_image: np.ndarray = cv2.imread(input_image)[height, width, _] = original_image.shapelength = max((height, width))image = np.zeros((length, length, 3), np.uint8)image[0:height, 0:width] = original_imagescale = length / 640 # 缩放比例# 设置模型输入blob = cv2.dnn.blobFromImage(image, scalefactor=1 / 255, size=(640, 640), swapRB=True)model.setInput(blob)# 推理outputs = model.forward() # output: 1 X 8400 x 84outputs = np.array([cv2.transpose(outputs[0])])rows = outputs.shape[1]boxes = []scores = []class_ids = []# outputs有8400行，遍历每一行，筛选最优检测结果for i in range(rows):# 找到第i个候选目标在80个类别中，最可能的类别classes_scores = outputs[0][i][4:] # classes_scores:80 X 1(minScore, maxScore, minClassLoc, (x, maxClassIndex)) = cv2.minMaxLoc(classes_scores)if maxScore >= 0.25:box = [# cx cy w h  -> x y w h outputs[0][i][0] - (0.5 * outputs[0][i][2]), outputs[0][i][1] - (0.5 * outputs[0][i][3]),outputs[0][i][2], outputs[0][i][3]]boxes.append(box) #边界框scores.append(maxScore) # 置信度class_ids.append(maxClassIndex) # 类别# opencv版最极大值抑制result_boxes = cv2.dnn.NMSBoxes(boxes, scores, 0.25, 0.45, 0.5)for i in range(len(result_boxes)):index = result_boxes[i]box = boxes[index]draw_bounding_box(original_image, class_ids[index], scores[index], round(box[0] * scale), round(box[1] * scale),round((box[0] + box[2]) * scale), round((box[1] + box[3]) * scale))cv2.imshow('image', original_image)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == '__main__':parser = argparse.ArgumentParser()parser.add_argument('--model', default='yolov8n.onnx', help='Input your onnx model.')parser.add_argument('--img', default=str('bus.jpg'), help='Path to input image.')args = parser.parse_args()main(args.model, args.img)

在终端执行推理命令，命令如下：

python  infer_opencv.py  --model yolov8n.onnx --img bus.jpg

效果图如图所示：

资源下载：（可以自己使用文章代码生成，也可以使用以下资源）
链接：https://pan.baidu.com/s/1mCBx_TVpUhpREoMXhRIlJw?pwd=fkmt
提取码：fkmt