基于yolov5猫狗检测

news2024/11/24 16:36:09

项目简介

该项目使用YOLOv5深度学习框架来检测图像或视频中的猫和狗。YOLOv5（You Only Look Once v5）是一种高效的物体检测模型，能够快速准确地识别出图像中的目标。本项目具有以下特点：

图像检测：用户可以通过上传图片，系统将识别并标记出图像中的猫和狗的位置。
视频检测：支持实时视频流或本地视频文件的猫狗检测，并实时显示检测结果。

技术栈

YOLOv5：用于目标检测的核心框架。
Python：主要编程语言。
PyTorch：YOLOv5基于此深度学习框架构建。
OpenCV：用于视频处理和图像显示。
Flask：用于构建Web前端，让用户能够上传图片或视频。

关键代码示例

安装YOLOv5

首先需要安装YOLOv5及其依赖项。可以通过以下命令安装：

1pip install -r requirements.txt

假设requirements.txt文件中包含了YOLOv5所需的依赖包。

下载预训练模型

下载YOLOv5预训练模型，可以使用以下命令：

1wget https://github.com/ultralytics/yolov5/releases/download/v5.0/yolov5s.pt

图像检测

接下来是使用YOLOv5进行图像检测的代码示例：

1import torch
2from PIL import Image
3
4# 加载预训练的模型
5model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s.pt')
6
7# 加载图片
8img = Image.open('path/to/image.jpg')
9
10# 进行检测
11results = model(img)
12
13# 显示结果
14results.show()

视频检测

对于视频检测，你可以使用以下代码：

1import cv2
2from yolov5.detect import detect
3
4def video_detection(video_path):
5    cap = cv2.VideoCapture(video_path)
6    while cap.isOpened():
7        ret, frame = cap.read()
8        if not ret:
9            break
10        
11        # 转换为PIL图像格式
12        img = Image.fromarray(frame)
13        
14        # 进行检测
15        results = detect(model, img)
16        
17        # 显示检测结果
18        # 注意：你需要自己实现detect函数来适配YOLOv5的输出
19        # 也可以使用YOLOv5自带的display方法
20        results.render()  # 更新图像框
21        cv2.imshow('Detection Results', results.ims[0])
22        
23        if cv2.waitKey(1) & 0xFF == ord('q'):
24            break
25
26    cap.release()
27    cv2.destroyAllWindows()
28
29# 使用视频检测函数
30video_detection('path/to/video.mp4')

Web界面

为了搭建一个用户可以上传图片或视频的Web界面，我们可以使用Flask框架。以下是一个简单的Web应用示例：

1from flask import Flask, render_template, request
2import os
3import torch
4from PIL import Image
5import cv2
6
7app = Flask(__name__)
8
9# 加载预训练的模型
10model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s.pt')
11
12@app.route('/', methods=['GET', 'POST'])
13def index():
14    if request.method == 'POST':
15        if 'file' not in request.files:
16            return 'No file part'
17        file = request.files['file']
18        if file.filename == '':
19            return 'No selected file'
20        if file:
21            filename = file.filename
22            file_path = os.path.join('uploads', filename)
23            file.save(file_path)
24
25            # 图像检测
26            img = Image.open(file_path)
27            results = model(img)
28            
29            # 保存检测后的图像
30            results.save(save_dir='static/detections', exist_ok=True)
31            detection_path = os.path.join('static', 'detections', filename)
32
33            return render_template('index.html', detection=detection_path)
34
35    return render_template('index.html')
36
37if __name__ == '__main__':
38    app.run(debug=True)