Skip to content
122 changes: 82 additions & 40 deletions src/Yolov4_Vehicle_inspection/predict.py
Original file line number Diff line number Diff line change
Expand Up @@ -3,34 +3,36 @@
# 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
# video_fps用于保存的视频的fps
# 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":
'''
Expand All @@ -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'.")
Loading