基于Python实现一个AI物体识别

目录

• 一. 前言
• 二. 处理流程
• 2.1 前置知识点
• 2.2 模型的使用方式一
• 2.2 模型的使用方式二
• 三. 扩展和发展
• 总结一下

一. 前言

近期在研究 AI 方面的应用 ，计算机视觉是其中的一大领域 ，应用场景也比较多。

这一篇主要尝试弄清楚 : 一个 AI 视觉识别的 功能点 ，涉及到哪些知识 ？

二. 处理流程

2.1 前置知识点

在实现这个功能之前 ，先要明白几个前置知识点 ：

python 层面需要的工具 ：

• OpenCV 在前几篇就有介绍 ，它作为计算机视觉库 ，提供了很多图形处理的功能。
• 下面3个主要是 AI 领域的组件 ，用于使用 AI 的各项能力

模型和模型的选择

我们在识别物体的过程中 ，图片中的物体到底是什么，这是需要一个 知识库 来帮助给出答案的。 而模型就是那个知识库。

模型 是指一个数学表示或计算框架，旨在从输入数据中学习模式和规律，并进行预测或分类

一个模型的生成包括 ： 数据android收集 ， 数据预处理 ，数据建模 ，模型训练 ，模型评估 ，模型测试 及 最终使用

关于模型的生成 ，不在本篇的讨论中 ，展示也不会这一块。 这一篇主要专注于使用。

常用的物体识别模型 ：

而本片主要使用的是 YOLO。

模型的使用

模型的使用有两种方式 ：

• 一种是基于模型 + torch 的使用方式 ， 也是最常规的用法
• 一种是基于封装的工具 ，实现快速的调用

2.2 模型的使用方式一

S1 : 下载 YoLo 模型

官方地址 ：yolov5

pip install ultralytics

S2 : 编写使用模型逻辑

from ultralytics import YOLO
import cv2
import matplotlib.pyplot as plt

# 加载 YOLOv5 或 YOLOv8 模型
model = YOLO('yolov5s.pt')  # 或使用 'yolov8.pt'

# 读取图像
image_path = 'C:\\Users\\Desktop\\test666.JPG'
image = cv2.imread(image_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # 转换为 RGB 格式

# 进行物体识别
results = model.predict(source=image)

# 可视化结果
# 使用 cv2 绘制边界框
for result in results:
    boxes = result.boxes.xyxy  # 获取边界框信息
    scores = result.boxes.conf  # 获取置信度
    classes = result.boxes.cls  # 获取类别索引

    for i in range(len(boxes)):
        box = boxes[i]
        score = scores[i]
        cls = classes[i]

        x1, y1, x2, y2 = box.numpy()  # 转换为 numpy 数组
        label = f"{model.names[int(cls)]} {score:.2f}"

        # 绘制边界框
        cv2.rectangle(image,python (int(x1), int(y1)), (int(x2), int(y2)), (255, 0, 0), 2)
        cv2.putText(image, label, (int(x1), int(y1) JcgzzpRpBI- 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

# 使用 matplotlib 显示图像
plt.imshow(image)
plt.axis('off')  # 不显示坐标轴
plt.show()

S3 : 测试

2.2 模型的使用方式二

第二种方式更简单 ，例如 Ultralytics 就提供了一整套组件可以开箱即用。

S1 : Python 安装 ultralytics

pip install ultralytics

S2 : 对物体进行识别

from ultralytics import YOLO
import cv2
import matplotlib.pyplot as plt

# 加载 YOLOv5 或 YOLOv8 模型
model = YOLO('yolov5s.pt')  # 或使用 'yolov8.pt'

# 读取图像
image_path = 'C:\\Users\\Desktop\\test666.JPG'
image = cv2.imread(image_path)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # 转换为 RGB 格式

# 进行物体识别
results = model.predict(source=image)

# 可视化结果
# 使用 cv2 绘制边界框
for result in r编程客栈esults:
    boxes = result.boxes.xyxy  # 获取边界框信息
    scores = result.boxes.conf  # 获取置信度
    classes = result.boxes.cls  # 获取类别索引

    for i in range(len(boxes)):
        box = boxes[i]
        score = scores[i]
        cls = classes[i]

        x1, y1, x2, y2 = box.numpy()  # 转换为 numpy 数组
        label = f"{model.names[int(cls)]} {score:.2f}"

        # 绘制边界框
        cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (255, 0, 0), 2)
        cv2.putText(image, label, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

# 使用 matplotlib 显示图像
plt.imshow(image)
plt.axis('off')  # 不显示坐标轴
plt.show()

执行 模型的时候 ，会自动从远程下载模型

Downloading https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov5su.pt to 'yolov5su.pt'...

三. 扩展和发展

一般没有特殊的要求 ，大部分情况下 ，我们会选择框架直接使用。下面js主要来介绍一下 ultralytics 的 API

加载模型 ：

• YOLO(model): 用于加载 YOLO 模型，可以是本地路径或在线模型名称。
• predict(source): 对给定的图像、视频或文件夹进行物体检测。

结果处理 :

• results.print(): 打印检测结果，包括类别和置信度。
• results.xyxy: 返回检测到的边界框，格式为 (x1, y1, x2, y2, confidence, class)。
• results.show(): 显示带有检测框的图像。
• results.save(save_dir): 将带有检测框的图像保存到指定目录。

其他的更复杂的 ：

针对初始模型 ，还可以通过数据集和训练来适配更复杂的场景 ：

• train(): 训练模型，支持自定义数据集。
• val(): 验证模型性能，通常在训练后进行。
• Dataset(): 用于处理数据集，支持常见的数据格式。
• create_dataloader(): 创建数据加载器，方便批量处理数据。

总结一下

基本上使用起来贼简单 ，简单照着文档操作一下就能实现。

但是 ： 生成级使用不会这么简单 ， 模型相当于一个通用的数据集 ，它只能适配常见的需求。

以上就是基于Python实现一个AI物体识别的详细内容，更多关于Python AI物体识别的资料请关注编程客栈(www.devze.com)其它相关文章！