一、使用说明
模型：YOLOv5
软件：pycharm
python版本：3.7
opencv版本：4.7.0.68
是否使用了GPU版本：是
二、美化框角
我们打开yolo项目下的plots.py文件
yolov5-master/utils/plots.py
2、我们首先在第96行代码下进行添加一些内容
corner_color = (0, 255, 0)
# Top Left
cv2.line(self.im, (int(box[0]), int(box[1])), (int(box[0]) + 20, int(box[1])), corner_color, thickness=3)
cv2.line(self.im, (int(box[0]), int(box[1])), (int(box[0]), int(box[1]) + 20), corner_color, thickness=3)
# Top Right
cv2.line(self.im, (int(box[2]), int(box[1])), (int(box[2]) - 20, int(box[1])), corner_color, thickness=3)
cv2.line(self.im, (int(box[2]), int(box[1])), (int(box[2]), int(box[1]) + 20), corner_color, thickness=3)
# Bottom Left
cv2.line(self.im, (int(box[0]), int(box[3])), (int(box[0]) + 20, int(box[3])), corner_color, thickness=3)
cv2.line(self.im, (int(box[0]), int(box[3])), (int(box[0]), int(box[3]) - 20), corner_color, thickness=3)
# Bottom Right
cv2.line(self.im, (int(box[2]), int(box[3])), (int(box[2]) - 20, int(box[3])), corner_color, thickness=3)
cv2.line(self.im, (int(box[2]), int(box[3])), (int(box[2]), int(box[3]) - 20), corner_color, thickness=3)
3、我们对代码的细节进行说明一下
corner_color = (0, 255, 0)#这是根据RGB的值进行设置的绿色
cv2.line()#这里用的是opencv里面的划线函数，并带有以下五个参数
#img：要划的线所在的图像;
#pt1：直线起点
#pt2：直线终点 （坐标分别为宽、高,opencv中图像的坐标原点在左上角）
#color：直线的颜色
#thickness=1：线条粗细,默认是1.如果一个闭合图形设置为-1，那么整个图形就会被填充
4、我们运行一下detect.py看一下效果，我这里是使用的一个对猫识别的模型进行的测试。
5、效果说明：我们对边框的四个角进行了添加绿色标定。
三、美化标签
对YOLO标签进行透明化处理
我们还是打开刚刚的plots.py文件，找到116行，然后我们直接给他注释掉。
运行detect.py展示一下效果
效果说明，透明化标签处理，显得比原版的模型标签更清晰一点。
四、美化线条
对YOLO的线条框进行美化
我们还是打开刚刚的plots.py文件，找到96行，然后改成以下内容
cv2.rectangle(self.im, p1, p2, color, 1, lineType=cv2.LINE_AA)#thickness=self.lw
原理就是无视掉YOLO的划线规则，我们直接对线条框的粗细进行设置（我这里直接改成默认值1）
看一下效果
五、美化准星
1.在plots.py文件的第109行，我们再接着插入以下代码
#Aim
p5 = (int((int(box[0])+int(box[2]))/2)-10, int((int(box[1])+int(box[3]))/2))
p6 = (int((int(box[0])+int(box[2]))/2)+10, int((int(box[1])+int(box[3]))/2))
p7 = (int((int(box[0]) + int(box[2])) / 2) , int((int(box[1]) + int(box[3])) / 2)+10)
p8 = (int((int(box[0]) + int(box[2])) / 2) , int((int(box[1]) + int(box[3])) / 2)-10)
cv2.line(self.im, p5, p6, corner_color, thickness=2)
cv2.line(self.im, p7, p8, corner_color, thickness=2)
2.看一下运行效果
六、显示统计
1.如何对YOLO识别到的物体进行计数，这部分需要进行修改一下detect.py部分的代码
找到第239行，在下面加上以下代码。
cv2.putText(im0, 'Find_Stream:'f"{n} {names[int(c)]}{'s' * (n > 1)}", (5, 25), cv2.FONT_HERSHEY_SIMPLEX, 1,(0, 0, 255), 2)
2.展示一下效果
3.说明，上述代码只是适用于只有一个物体的目标检测模型。
4.接着，如果是多个物体的检测，我们可以这样修改
# Process predictions
for i, det in enumerate(pred): # per image
seen += 1
if webcam: # batch_size >= 1
p, s, im0, frame = path[i], f'{i}: ', im0s[i].copy(), dataset.count
else:
p, s, im0, frame = path, '', im0s.copy(), getattr(dataset, 'frame', 0)
p = Path(p) # to Path
save_path = str(save_dir / p.name) # img.jpg
txt_path = str(save_dir / 'labels' / p.stem) + ('' if dataset.mode == 'image' else f'_{frame}') # img.txt
s += '%gx%g ' % img.shape[2:] # print string
gn = torch.tensor(im0.shape)[[1, 0, 1, 0]] # normalization gain whwh
imc = im0.copy() if save_crop else im0 # for save_crop
annotator = Annotator(im0, line_width=line_thickness, example=str(names))
if len(det):
# Rescale boxes from img_size to im0 size
det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
Results = "Find_Stream:"
# Print results
for c in det[:, -1].unique():
n = (det[:, -1] == c).sum() # detections per class
s += f"{n} {names[int(c)]}{'s' * (n > 1)}, " # add to string
Results += '\n' +f"{n}{names[int(c)]}"
# Write results
for *xyxy, conf, cls in reversed(det):
if save_txt: # Write to file
xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist() # normalized xywh
line = (cls, *xywh, conf) if save_conf else (cls, *xywh) # label format
with open(txt_path + '.txt', 'a') as f:
f.write(('%g ' * len(line)).rstrip() % line + '\n')
if save_img or save_crop or view_img: # Add bbox to image
c = int(cls) # integer class
label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
annotator.box_label(xyxy, label, color=colors(c, True))
if save_crop:
save_one_box(xyxy, imc, file=save_dir / 'crops' / names[c] / f'{p.stem}.jpg', BGR=True)
# Print time (inference-only)
print(f'{s}Done. ({t3 - t2:.3f}s)')
# Stream results
im0 = annotator.result()
if view_img:
cv2.imshow(str(p), im0)
cv2.waitKey(1) # 1 millisecond
# Save results (image with detections)
if save_img:
#cv2.putText(im0, 'Find_Stream:'f"{n} {names[int(c)]}{'s' * (n > 1)}", (5, 25), cv2.FONT_HERSHEY_SIMPLEX, 1,(0, 0, 255), 2) # 检测一个类别就用这个
y0,dy=50,40
for i,txt in enumerate(Results.split('\n')):
y = y0 +dy*i
cv2.putText(im0,txt,(5,y),cv2.FONT_HERSHEY_SIMPLEX,0.8,(0,0,0),2)
if dataset.mode == 'image':
cv2.imwrite(save_path, im0)
就是在下面两处这样修改。
5.我们看一下效果，因为手上没有了其他模型，我就先用原来的猫模型再跑一下。
七、透明方框
1.我们在plots.py文件下再加入下面这三行代码
blk = np.zeros(self.im.shape, np.uint8)
cv2.rectangle(blk, p1, p2, color, -1)
self.im = cv2.addWeighted(self.im, 1.0, blk, 0.5, 1)
2.效果展示
八、置信收缩
1.我们对置信度的大小进行对框的线条粗细进行修改
我们在plots.py的第97行左右的代码修改一行
cv2.rectangle(self.im, p1, p2, color,int(label[-2:-1]), lineType=cv2.LINE_AA)#thickness=self.lw
2.效果图如下
我们接下来在测试一下多只不同置信度的猫。
