yolov5调用usb摄像头及本地摄像头的方法实例_Python

yolov5 调用 usb 摄像头

文章是在yolov5 v5.0版本的detect.py所修改编写

其他v1.0-v4.0没有试过，你们可以试试。

具体用法已经写在代码里面了。

import time
import cv2
import numpy as np
import torch
from models.experimental import attempt_load
from utils.datasets import letterbox
from utils.general import check_img_size, non_max_suppression,scale_coords, xyxy2xywh,set_logging,check_requirements
from utils.plots import colors, plot_one_box
from utils.torch_utils import select_device,time_synchronized

@torch.no_grad()
def detect(
      #--------------------这里更改配置--------------------
      #---------------------------------------------------
         weights='runs/train/exp25/weights/best.pt',   #训练好的模型路径   （必改）
         imgsz=512,           #训练模型设置的尺寸 （必改）
         cap = 0,             #摄像头
         conf_thres=0.25,     #置信度
         iou_thres=0.45,      #NMS IOU 阈值
         max_det=1000,        #最大侦测的目标数
         device='',           #设备
         crop=True,           #显示预测框
         classes=None,        #种类
         agnostic_nms=False,  #class-agnostic NMS
         augment=False,       #是否扩充推理
         half=False,          #使用FP16半精度推理
         hide_labels=False,   #是否隐藏标签
         hide_conf=False,     #是否隐藏置信度
         line_thickness=3     #预测框的线宽
         ):
      # #--------------------这里更改配置--------------------
      #-----------------------------------------------------
  #打开摄像头
  cap = cv2.VideoCapture(cap)

  #-----初始化-----
  set_logging()
  #设置设备
  device = select_device(device)
  #CUDA仅支持半精度
  half &= device.type != 'cpu'  

  #-----加载模型-----
  #加载FP32模型
  model = attempt_load(weights, map_location=device)  
  #模型步幅
  stride = int(model.stride.max())  
  #检查图像大小
  imgsz = check_img_size(imgsz, s=stride)  
  #获取类名
  names = model.module.names if hasattr(model, 'module') else model.names  
  #toFP16
  if half:
      model.half()  

  #------运行推理------
  if device.type != 'cpu':
      model(torch.zeros(1, 3, imgsz, imgsz).to(device).type_as(next(model.parameters())))  # 跑一次
  
  #-----进入循环：ESC退出-----
  while(True):
      #设置labels--记录标签/概率/位置
      labels = []
      #计时
      t0 = time.time()
      ref,img0=cap.read()
      #填充调整大小
      img = letterbox(img0, imgsz, stride=stride)[0] 
      # 转换
      img = img[:, :, ::-1].transpose(2, 0, 1)  #BGR to RGB, to 3x416x416
      img = np.ascontiguousarray(img)

      img = torch.from_numpy(img).to(device)
      #uint8 to fp16/32
      img = img.half() if half else img.float()  
      #0 - 255 to 0.0 - 1.0
      img /= 255.0  
      if img.ndimension() == 3:
          img = img.unsqueeze(0)

      # 推断
      t1 = time_synchronized()
      pred = model(img, augment=augment)[0]

      # 添加 NMS
      pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)
      t2 = time_synchronized()

      #目标进程
      for i, det in enumerate(pred):  # 每幅图像的检测率
          s, im0 = '', img0.copy()
          #输出字符串
          s += '%gx%g ' % img.shape[2:]  
          #归一化增益
          gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]  
          if len(det):
              # 将框从img_大小重新缩放为im0大小
              det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
              # 输出结果
              for c in det[:, -1].unique():
                  #每类检测数
                  n = (det[:, -1] == c).sum()
                  #添加到字符串  
                  s += f"{n} {names[int(c)]}{'s' * (n > 1)}, "  
              # 结果输出
              for *xyxy, conf, cls in reversed(det):
                  #归一化xywh
                  xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()  
                  #标签格式
                  line = (cls, *xywh, conf)  
                  #整数类
                  c = int(cls)  
                  #建立标签
                  label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
                  #绘画预测框
                  if crop:    
                      plot_one_box(xyxy, im0, label=label, color=colors(c, True), line_thickness=line_thickness)
                  #记录标签/概率/位置
                  labels.append([names[c],conf,xyxy])

      #--------------------这里写/修改代码--------------------
      #-------------------------------------------------
      '''
      labels里面有该图片的标签/概率/坐标(列表)
      labels = [ [列表0] , [列表1] , [列表3] ,......]
          其中 列表 = [标签,概率,坐标]
      例如获取第一个预测框的概率值：print( float( labels[0][1])  )
      '''
      # 显示图片
      cv2.imshow("666",im0)
      #输出计算时间
      print(f'消耗时间: ({time.time() - t0:.3f}s)')


      key = cv2.waitKey(20)  

      #这里设置ESC退出
      if key == 27:
          break
      #--------------------END--------------------
      #-------------------------------------------------
  cv2.destroyAllWindows()

if __name__ == "__main__":
  '''
  修改配置在 13-28 行
  写代码-显示输出/获取预测框位置/获取预测概率值 在121-END行
  '''
  #检测安装包--建议注释掉
  #check_requirements(exclude=('tensorboard', 'thop'))
  #运行
  detect()

经研究发现，yolov5-master有time_synchronized 和 time_sync 两种名字，所以如果time_synchronized报错，麻烦换成time_sync