传媒公司网站源码电商订单系统

当前位置： 首页 > news >正文

传媒公司网站源码,电商订单系统,泰州seo外包,淄博哪里有做网站的在上篇文章中YOLO11环境部署 || 从检测到训练https://blog.csdn.net/2301_79442295/article/details/145414103#comments_36164492#xff0c;我们详细探讨了YOLO11的部署以及推理训练#xff0c;但是评论区的观众老爷就说了#xff1a;“博主博主#xff0c;你这个只能推理… 在上篇文章中YOLO11环境部署 || 从检测到训练https://blog.csdn.net/2301_79442295/article/details/145414103#comments_36164492我们详细探讨了YOLO11的部署以及推理训练但是评论区的观众老爷就说了“博主博主你这个只能推理只能推理图片还要将图片放在文件夹下有没有更简单方便的推理方法” 有的兄弟有的像这样更简单的方法还有10086个下面我挑一个用于流式视频文件检测。 摄像头视频图片文件检测 视频文件图片文件效果如下视频与摄像头图片文件 视频文件 对于视频或者摄像头等输入可以将以下代码复制到predict_camera.py运行检测 from ultralytics import YOLO import cv2 import torch from pathlib import Path import sys import os import tkinter as tk from tkinter import filedialogdef choose_input_source():print(请选择输入来源)print([1] 摄像头)print([2] 视频文件)choice input(请输入数字 (1 或 2): ).strip()if choice 1:return 0, 摄像头elif choice 2:#选择视频文件root tk.Tk()root.withdraw()video_path filedialog.askopenfilename(title选择视频文件,filetypes[(视频文件, .mp4;.avi;.mkv;.mov), (所有文件, .)])if not video_path:print(未选择视频文件程序退出)sys.exit(0)return video_path, video_pathelse:print(无效的输入程序退出)sys.exit(1)def detect_media():# 配置区 # 模型配置model_config {model_path: rE:\git-project\YOLOV11\ultralytics-main\weights\yolo11n.pt, # 本地模型路径注意配置download_url: https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt # 如果没有模型文件下载URL}# 推理参数predict_config {conf_thres: 0.25, # 置信度阈值iou_thres: 0.45, # IoU阈值imgsz: 640, # 输入分辨率line_width: 2, # 检测框线宽device: cuda:0 if torch.cuda.is_available() else cpu # 自动选择设备}# 配置结束 try:# 选择输入来源input_source, source_desc choose_input_source()# 初始化视频源cap cv2.VideoCapture(input_source)if isinstance(input_source, int):# 如果使用摄像头设置分辨率cap.set(cv2.CAP_PROP_FRAME_WIDTH, 720)cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)if not cap.isOpened():raise IOError(f无法打开视频源 ({source_desc})请检查设备连接或文件路径。)# 询问是否保存推理出的视频文件save_video Falsevideo_writer Noneoutput_path Noneanswer input(是否保存推理出的视频文件(y/n): ).strip().lower()if answer y:save_video True# 创建保存目录代码文件所在目录下的 predict 文件夹save_dir os.path.join(os.getcwd(), predict)os.makedirs(save_dir, exist_okTrue)# 获取视频属性宽度、高度、fpsframe_width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))frame_height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))fps cap.get(cv2.CAP_PROP_FPS)if fps 0 or fps is None:fps 25 # 如果无法获取fps设定默认值# 构造输出视频文件路径output_path os.path.join(save_dir, output_inference.mp4)fourcc cv2.VideoWriter_fourcc(*mp4v)video_writer cv2.VideoWriter(output_path, fourcc, fps, (frame_width, frame_height))print(f推理视频将保存至: {output_path})# 加载模型带异常捕获if not Path(model_config[model_path]).exists():if model_config[download_url]:print(开始下载模型…)YOLO(model_config[download_url]).download(model_config[model_path])else:raise FileNotFoundError(f模型文件不存在: {model_config[model_path]})# 初始化模型model YOLO(model_config[model_path]).to(predict_config[device])print(f✅ 模型加载成功 | 设备: {predict_config[device].upper()})print(f输入来源: {source_desc})# 实时检测循环while True:ret, frame cap.read()if not ret:print(视频流结束或中断)break# 执行推理results model.predict(sourceframe,streamTrue, # 流式推理verboseFalse,confpredict_config[conf_thres],ioupredict_config[iou_thres],imgszpredict_config[imgsz],devicepredict_config[device])# 遍历生成器获取结果取第一个结果for result in results:annotated_frame result.plot(line_widthpredict_config[line_width])break# 摄像头模式下显示FPSif isinstance(input_source, int):fps cap.get(cv2.CAP_PROP_FPS)cv2.putText(annotated_frame, fFPS: {fps:.2f}, (10, 30),cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)# 显示实时画面cv2.imshow(YOLO Real-time Detection, annotated_frame)# 如保存视频写入视频文件if save_video and video_writer is not None:video_writer.write(annotated_frame)# 按键退出qif cv2.waitKey(1) 0xFF ord(q):break# 释放资源cap.release()if video_writer is not None:video_writer.release()cv2.destroyAllWindows()print(✅ 检测结束)if save_video and output_path is not None:print(f推理结果视频已保存至: {output_path})except Exception as e:print(f\n❌ 发生错误: {str(e)})print(问题排查建议)print(1. 检查视频源是否正确连接或文件路径是否正确)print(2. 确认模型文件路径正确)print(3. 检查CUDA是否可用如需GPU加速)print(4. 尝试降低分辨率设置)if name main:detect_media() 需要更改的参数 1.model_path模型文件位置默认使用的是yolo11n.pt 2.predict_config下置信度等 3.分辨率等 需要注意的是退出按q点击视频框的×是无法退出的当然也可以使用CtrlC方式退出退出不会造成摄像头不保存推理文件文件保存在代码所在文件夹下predict文件夹内。 图片文件 对于图片文件将图片放在picture文件夹下太麻烦同样采用选择图片进行检测同时可以框选多个图片可以将以下代码复制到predict_images.py运行检测 from ultralytics import YOLO import cv2 import torch from pathlib import Path import os import tkinter as tk from tkinter import filedialogdef choose_input_files():root tk.Tk()root.withdraw() # 隐藏主窗口image_paths filedialog.askopenfilenames(title选择图片文件,filetypes[(图片文件, .jpg;.jpeg;.png;.bmp;.tiff;.gif), (所有文件, .)])if not image_paths:print(未选择任何图片文件程序退出)exit(0)return image_pathsdef detect_images():# 配置区 # 模型配置model_config {model_path: rE:\git-project\YOLOV11\ultralytics-main\weights\yolo11n.pt, # 本地模型路径download_url: https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt # 如果没有模型文件可在此处添加下载URL}# 推理参数predict_config {conf_thres: 0.25, # 置信度阈值iou_thres: 0.45, # IoU阈值imgsz: 640, # 输入分辨率line_width: 2, # 检测框线宽device: cuda:0 if torch.cuda.is_available() else cpu # 自动选择设备}# 配置结束 try:# 选择图片文件image_paths choose_input_files()# 创建保存目录代码文件所在目录下的 predict 文件夹save_dir os.path.join(os.getcwd(), predict, exp)os.makedirs(save_dir, exist_okTrue)if os.path.exists(save_dir):i 1while os.path.exists(f{save_dir}{i}):i 1save_dir f{save_dir}{i}os.makedirs(save_dir)# 加载模型带异常捕获if not Path(model_config[model_path]).exists():if model_config[download_url]:print(开始下载模型…)YOLO(model_config[download_url]).download(model_config[model_path])else:raise FileNotFoundError(f模型文件不存在: {model_config[model_path]})# 初始化模型model YOLO(model_config[model_path]).to(predict_config[device])print(f✅ 模型加载成功 | 设备: {predict_config[device].upper()})# 处理每个选定的图片文件for image_path in image_paths:print(f正在处理图片: {image_path})img cv2.imread(image_path)if img is None:print(f无法读取图片: {image_path})continue# 执行推理results model.predict(sourceimg, # 输入图片streamFalse, # 禁用流模式verboseFalse,confpredict_config[conf_thres],ioupredict_config[iou_thres],imgszpredict_config[imgsz],devicepredict_config[device])# 解析并绘制结果取第一个结果for result in results:annotated_img result.plot(line_widthpredict_config[line_width])break# 保存推理结果图像到文件output_image_path os.path.join(savedir, foutput{os.path.basename(image_path)})cv2.imwrite(output_image_path, annotated_img)print(f推理结果已保存至: {output_image_path})# 显示实时画面取消下面注释就会边检测边弹出结果# cv2.imshow(YOLO Real-time Detection, annotated_img)# 等待按键退出当前图片查看if cv2.waitKey(0) 0xFF ord(q) :breakcv2.destroyAllWindows()print(✅ 检测结束)except Exception as e:print(f\n❌ 发生错误: {str(e)})print(问题排查建议)print(1. 检查图片文件路径是否正确)print(2. 确认模型文件路径正确)print(3. 检查CUDA是否可用如需GPU加速)print(4. 尝试降低分辨率设置)if name main:detect_images()同样需要更改模型文件地址、置信度等图片文件保存在代码文件夹的predict文件夹下exp中如果想要检测时就查看图片可以将这段代码取消注释 # 显示实时画面cv2.imshow(YOLO Real-time Detection, annotated_img)效果如下 视频与摄像头 图片文件 所有推理出的文件都会在代码同级的predict目录下按q退出。