目标检测和识别：Python+OpenCV+Yolov3
1 说明：
=====
1.1 熟悉Python+OpenCV+Yolov3的目标检测和识别，以上三个都是强大的计算机视觉编程语言和库。
1.2 本代码注释清楚，小白秒懂。
1.3 图片来源今日头条正版免费图库。
1.4 原图：
1.5 效果图：
2 准备：
=====
2.1 环境：python3.8+OpenCV4.2.0
2.2 三个文件：yolov3.cfg、coco.names和yolov3.weights.
Weight file：这是训练有素的模型，是检测物体的算法的核心。
Cfg file: 它是配置文件，其中包含算法的所有设置。
Name files: 包含算法可以检测到的对象的名称。
2.2.1 yolov3.cfg和coco.names，简单。
https://github.com/jielingao/yolov3 #下载地址2.2.2 yolov3.weights文件较大，下载较慢。
#文件很大，官网下载很慢 https://pjreddie.com/media/files/yolov3.weights #感谢网友提供，指定下载yolov3.weights，较快 https://pan.baidu.com/s/1__zDF-pC-0eXcZc1gm6kFA #提取码：jnhn (永久有效)3 注释版的代码main.py：
==================
3.1 第1步：导入模块
import cv2 import numpy as np3.2 第2步：加载yolov3文件（3个文件，注意路径）
#权重和配置 net = cv2.dnn.readNet('/home/xgj/Desktop/pyyolo/yolov3.weights', '/home/xgj/Desktop/pyyolo/yolov3.cfg') #定义一个空的列表存放名字 classes = [] #打开文件并读取 with open('/home/xgj/Desktop/pyyolo/coco.names','r') as f: classes = [ line.strip() for line in f.readlines() ] layer_names = net.getLayerNames() outputlayers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]3.3 第3步：相关设置颜色和读取图片
# 颜色设置：随机色 colors= np.random.uniform(0,255,size=(len(classes),3)) #字体设置 font = cv2.FONT_HERSHEY_PLAIN #读取需要检测图片，注意路径 img = cv2.imread('/home/xgj/Desktop/pyyolo/pic4.jpeg') #获取图片的高、宽和通道 height,width,channels = img.shape3.4 第4步：侦测物体
# Blob用于提取图片中的特征并调整其大小。 YOLO接受三种尺寸： #320×320 很小，所以精度较低，但速度快 #609×609 很大，因此精度高、但速度慢 #416×416位于中间，两者的折中。 blob = cv2.dnn.blobFromImage(img,0.00392,(416,416),(0,0,0),True,crop=False) net.setInput(blob) #Outs是一个数组，包含有关所检测对象的所有信息，它们的位置以及对检测的置信度的信息 outs = net.forward(outputlayers) #初始化定义三个空列表 class_ids=[] #有时候叫Label：它是检测到的对象的名称 confidences=[] #从0到1的检测置信度。 boxes=[] #包含围绕检测到的对象的矩形的坐标。 #遍历列表读取，存入三个列表中 for out in outs: for detection in out: scores = detection[5:] class_id = np.argmax(scores) confidence = scores[class_id] if confidence > 0.5: #onject detected center_x= int(detection[0]*width) center_y= int(detection[1]*height) w = int(detection[2]*width) h = int(detection[3]*height) x=int(center_x - w/2) y=int(center_y - h/2) #存入列表中 boxes.append([x,y,w,h]) #put all rectangle areas confidences.append(float(confidence)) #how confidence was that object detected and show that percentage class_ids.append(class_id) #name of the object tha was detected #执行检测时，碰巧我们在同一物体上有更多的BOX，因此我们应该使用另一个函数来消除这种“噪音”。 称为非最大限制 indexes = cv2.dnn.NMSBoxes(boxes,confidences,0.4,0.6)3.5 第5步：绘制框
font = cv2.FONT_HERSHEY_PLAIN for i in range(len(boxes)): if i in indexes: x,y,w,h = boxes[i] label = str(classes[class_ids[i]]) color = colors[i] cv2.rectangle(img,(x,y),(x+w,y+h),color,2) #显示颜色255,255,255=白色；绿色=0,255,0 #3为字体大小，默认为1 cv2.putText(img,label,(x,y+30),font,3,(0,255,0),2)3.6 第6步：显示效果图片
cv2.imshow("Image",img) cv2.waitKey(0) cv2.destroyAllWindows()4 小结：
=====
4.1 猴子没有检测出来，小bug。
4.2 漏掉一个人，没检测出来，小bug。