diff --git a/src/Yolov4_Vehicle_inspection/predict.py b/src/Yolov4_Vehicle_inspection/predict.py index 833ba458de..2ac46d0042 100644 --- a/src/Yolov4_Vehicle_inspection/predict.py +++ b/src/Yolov4_Vehicle_inspection/predict.py @@ -3,23 +3,25 @@ # 将单张图片预测、摄像头检测和FPS测试功能 # 整合到了一个py文件中,通过指定mode进行模式的修改。 # ----------------------------------------------------# -import time +import time # 导入时间模块,用于计时和FPS计算 +import cv2 # 导入OpenCV库,用于视频/图像的读取、处理和保存 +import numpy as np # 导入numpy库,用于数组格式转换 +from PIL import Image # 导入PIL库的Image模块,用于图像格式转换 -import cv2 -import numpy as np -from PIL import Image - -from yolo import YOLO +from yolo import YOLO # 导入自定义的YOLO检测类 if __name__ == "__main__": + # 初始化YOLO检测器,设置输入图像尺寸为640x640 yolo = YOLO(size=640) + # -------------------------------------------------------------------------# # mode用于指定测试的模式: # 'predict'表示单张图片预测 # 'video'表示视频检测 # 'fps'表示测试fps # -------------------------------------------------------------------------# - mode = "video" + mode = "video" # 当前运行模式设置为视频检测 + # -------------------------------------------------------------------------# # video_path用于指定视频的路径,当video_path=0时表示检测摄像头 # video_save_path表示视频保存的路径,当video_save_path=""时表示不保存 @@ -27,10 +29,10 @@ # video_path、video_save_path和video_fps仅在mode='video'时有效 # 保存视频时需要ctrl+c退出才会完成完整的保存步骤,不可直接结束程序。 # -------------------------------------------------------------------------# - video_name = "333" - video_path = r'vedio\int\%s.mp4' % video_name - video_save_path = r"vedio\out\%s.mp4" % video_name - video_fps = 30 + video_name = "333" # 视频文件名称(不含后缀) + video_path = r'vedio\int\%s.mp4' % video_name # 输入视频的路径 + video_save_path = r"vedio\out\%s.mp4" % video_name # 输出视频的保存路径 + video_fps = 30 # 保存视频的帧率 if mode == "predict": ''' @@ -43,82 +45,122 @@ 5、如果想要在预测图上写额外的字,比如检测到的特定目标的数量,可以进入yolo.detect_image函数,在绘图部分对predicted_class进行判断, 比如判断if predicted_class == 'car': 即可判断当前目标是否为车,然后记录数量即可。利用draw.text即可写字。 ''' + # 循环读取用户输入的图片路径,实现多次单张图片预测 while True: - img = input('Input image filename:') - start = time.time() + img = input('Input image filename:') # 提示用户输入图片文件路径 + start = time.time() # 记录图片检测开始时间 try: + # 尝试打开指定路径的图片文件 image = Image.open(img) except: + # 打开失败时提示错误并重新输入 print('Open Error! Try again!') continue else: + # 图片打开成功,调用YOLO的检测函数进行目标检测 r_image = yolo.detect_image(image) + # 打印单张图片检测耗时 print("time : ", time.time() - start) + # 显示检测后的图片 r_image.show() elif mode == "video": + # 初始化视频读取器,读取指定路径的视频文件 capture = cv2.VideoCapture(video_path) - start = time.time() + start = time.time() # 记录视频检测总开始时间 + + # 如果设置了视频保存路径,则初始化视频写入器 if video_save_path != "": + # 设置视频编码格式为mp4v(兼容mp4格式) fourcc = cv2.VideoWriter_fourcc(*'mp4v') + # 获取原视频的分辨率(宽度和高度) size = (int(capture.get(cv2.CAP_PROP_FRAME_WIDTH)), int(capture.get(cv2.CAP_PROP_FRAME_HEIGHT))) + # 创建视频写入器,指定保存路径、编码格式、帧率和分辨率 out = cv2.VideoWriter(video_save_path, fourcc, video_fps, size) - fps = 0.0 - time_cnt = 0 - cars = [] - car_not_vis = [] + # 初始化FPS相关参数 + fps = 0.0 # 实时帧率(滑动平均) + time_cnt = 0 # 帧计数,记录已处理的帧数 + cars = [] # 存储当前可见的车辆目标信息 + car_not_vis = [] # 存储不可见的车辆目标信息 + + # 循环读取视频帧,直到视频结束或用户退出 while (True): - t1 = time.time() - # 读取某一帧 - ref, frame = capture.read() + t1 = time.time() # 记录当前帧处理开始时间 + # 读取视频的一帧,ref为读取成功标志,frame为帧数据 + ref, frame = capture.read() - if not ref: # 防止视频读取完/帧为空导致后续报错 + # 若读取失败(如视频结束、帧为空),跳出循环 + if not ref: break - - # 调整对比度(alpha)和亮度(beta),可根据实际视频微调: + # ====================== 图像预处理:对比度和亮度调整 ====================== # alpha>1增强对比度,alpha<1降低对比度;beta>0增亮,beta<0调暗 - alpha = 1.2 # 对比度增强20%(可改1.1~1.5) - beta = 8 # 亮度提升8(可改5~15) + alpha = 1.2 # 对比度增强20%(可根据实际视频调整1.1~1.5) + beta = 8 # 亮度提升8(可根据实际视频调整5~15) + # 调整帧的对比度和亮度,提升检测效果 frame = cv2.convertScaleAbs(frame, alpha=alpha, beta=beta) - # 格式转变,BGRtoRGB - frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 原try-except可删除,因为已提前判断ref - - # 转变成Image + # ====================== 格式转换:适配YOLO检测要求 ====================== + # OpenCV读取的帧是BGR格式,转换为RGB格式(YOLO检测要求RGB) + frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) + # 将numpy数组格式的帧转换为PIL的Image格式(YOLO检测函数入参要求) frame = Image.fromarray(np.uint8(frame)) - # 进行检测 + + # ====================== 目标检测:调用YOLO检测函数 ====================== + # 传入帧数据和车辆跟踪列表,执行目标检测并返回标注后的帧 frame = np.array(yolo.detect_image(frame, cars, car_not_vis)) - # RGBtoBGR满足opencv显示格式 + + # ====================== 格式还原:适配OpenCV显示/保存 ====================== + # 将RGB格式转换回BGR格式(OpenCV显示/保存要求BGR) frame = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR) + # ====================== FPS计算与信息标注 ====================== + # 滑动平均计算实时FPS:(上一帧FPS + 当前帧FPS) / 2 fps = (fps + (1. / (time.time() - t1))) / 2 + # 打印实时帧号、FPS和总耗时(\r实现单行覆盖打印) print("\rframe_id = %d\tfps = %.2f\ttime = %.2f" % (time_cnt, fps, time.time() - start), end="") - time_cnt += 1 + time_cnt += 1 # 帧计数+1 + + # 在帧上标注实时FPS(位置:左上角,字体:默认,大小:1,颜色:绿色,线宽:2) frame = cv2.putText(frame, "fps = %.2f" % (fps), (0, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) + # 在帧上标注当前检测到的车辆数量(位置:FPS下方,样式同上) frame = cv2.putText(frame, "cars_num = %d" % (len(cars)), (0, 80), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) + # 可选:显示视频窗口(注释掉以提升处理速度) # cv2.imshow("video",frame) + + # 等待1ms,检测键盘输入(ESC键退出) c = cv2.waitKey(1) & 0xff + + # 如果设置了保存路径,将标注后的帧写入视频文件 if video_save_path != "": out.write(frame) - if c == 27: # 按ESC退出 + # 按ESC键(ASCII码27)退出视频检测循环 + if c == 27: break - # print("time: ", time.time() - start) + + # 换行,避免打印信息重叠 print() - capture.release() - if video_save_path != "": # 防止未保存视频时out未定义 + + # ====================== 资源释放 ====================== + capture.release() # 释放视频读取器资源 + # 若初始化了视频写入器,释放其资源 + if video_save_path != "": out.release() - cv2.destroyAllWindows() + cv2.destroyAllWindows() # 关闭所有OpenCV创建的窗口 elif mode == "fps": - test_interval = 100 - img = Image.open('img/street.jpg') + # FPS测试模式:计算模型处理单张图片的平均耗时和帧率 + test_interval = 100 # 测试次数(连续检测100次取平均) + img = Image.open('img/street.jpg') # 读取测试用图片 + # 调用YOLO的FPS测试函数,返回单次检测平均耗时(秒) tact_time = yolo.get_FPS(img, test_interval) + # 打印测试结果:单次耗时、帧率(1/耗时)、批量大小为1 print(str(tact_time) + ' seconds, ' + str(1 / tact_time) + 'FPS, @batch_size 1') else: + # 模式指定错误时抛出断言异常,提示正确的模式选项 raise AssertionError("Please specify the correct mode: 'predict', 'video' or 'fps'.") \ No newline at end of file