带你使用opencv+dnn+yolov3识别物体

2023-12-30 23:59| 来源: 网络整理| 查看: 265

该文为转载文章，原文出处https://blog.csdn.net/qq21497936/article/details/109201809

前言

级联分类器的效果并不是很好，准确度相对深度学习较低，上一章节使用了dnn中的tensorflow，本章使用yolov3模型，识别出具体的分类。

Demo

320x320，置信度0.6 在这里插入图片描述 608x608，置信度0.6（.cfg里面是608）

yolov3模型下载

在这里插入图片描述

coco.names：模型具体的分类信息。https://github.com/pjreddie/darknet/blob/master/data/coco.namesyolov3.weights：权重文件https://pjreddie.com/media/files/yolov3.weightsyolov3.cfg：配置文件https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg 以上若是下载不下来，提供其他下载地址，因为github非常慢。

OpenCV深度识别基本流程

opencv3.4.x支持了各种模型。

支持的模型

opencv3.4.x支持一下深度学习的模型：- caffe：.caffemodel 官网：http://caffe.berkeleyvision.org- tensorflow：.pb 官网：https://www.tensorflow.org- torch：.t7 | .net 官网：http://torch.ch- darknet：.weights 官网：https://pjreddie.com/darknet- DLDT：.bin 官网：https://software.intel.com/openvino-toolkit

操作步骤：yolov3

不同深度学习框架产生的模型，在操作上和数据输出上有一些区别。梳理下opencv使用tensorflow训练好的模型的使用步骤。

步骤一：读取分类文件

模型文件对应了不同的分类文件，分类文件是以行为标识，所在的行数（0开始），就是最终识别出的分类号的第几个分类。

std::string classesFile = "E:/qtProject/openCVDemo/dnnData/" \ "yolov3/coco.names"; // 读入分类名称，存入缓存 std::ifstream ifs(classesFile); std::vector classes; std::string classLine; while(std::getline(ifs, classLine)) { classes.push_back(classLine); } 步骤二：加载模型和配置文件，建立神经网络。

根据不同的模型，使用cv::dnn::readNetFromXXX系列函数进行读取，opencv3.4.x系列支持的dnn模型（支持模型往上看）。 yolov3模型如下：

std::string modelWeights = "E:/qtProject/openCVDemo/dnnData/" \ "yolov3/yolov3.weights"; std::string modelCfg = "E:/qtProject/openCVDemo/dnnData/" \ "yolov3/yolov3.cfg"; // 加载yolov3模型 cv::dnn::Net net = cv::dnn::readNetFromDarknet(modelCfg, modelWeights); if(net.empty()) { qDebug()

【本文地址】

公司简介

联系我们