110 lines
6.5 KiB
Python
110 lines
6.5 KiB
Python
|
import time
|
|||
|
|
|
|||
|
|
import pyautogui
|
|||
|
|
import cv2
|
|||
|
|
import numpy as np
|
|||
|
|
from PIL import Image
|
|||
|
|
|
|||
|
|
from yolo import YOLO
|
|||
|
|
|
|||
|
|
if __name__ == "__main__":
|
|||
|
|
yolo = YOLO()
|
|||
|
|
# ----------------------------------------------------------------------------------------------------------#
|
|||
|
|
# mode用于指定测试的模式：
|
|||
|
|
# 'predict' 表示单张图片预测，如果想对预测过程进行修改，如保存图片，截取对象等，可以先看下方详细的注释
|
|||
|
|
# 'video' 表示视频检测，可调用摄像头或者视频进行检测，详情查看下方注释。
|
|||
|
|
# 'fps' 表示测试fps，使用的图片是img里面的street.jpg，详情查看下方注释。
|
|||
|
|
# 'dir_predict' 表示遍历文件夹进行检测并保存。默认遍历img文件夹，保存img_out文件夹，详情查看下方注释。
|
|||
|
|
# 'heatmap' 表示进行预测结果的热力图可视化，详情查看下方注释。
|
|||
|
|
# 'export_onnx' 表示将模型导出为onnx，需要pytorch1.7.1以上。
|
|||
|
|
# ----------------------------------------------------------------------------------------------------------#
|
|||
|
|
mode = "predict"
|
|||
|
|
# -------------------------------------------------------------------------#
|
|||
|
|
# crop 指定了是否在单张图片预测后对目标进行截取
|
|||
|
|
# count 指定了是否进行目标的计数
|
|||
|
|
# crop、count仅在mode='predict'时有效
|
|||
|
|
# -------------------------------------------------------------------------#
|
|||
|
|
crop = False
|
|||
|
|
count = False
|
|||
|
|
# ----------------------------------------------------------------------------------------------------------#
|
|||
|
|
# video_path 用于指定视频的路径，当video_path=0时表示检测摄像头
|
|||
|
|
# 想要检测视频，则设置如video_path = "xxx.mp4"即可，代表读取出根目录下的xxx.mp4文件。
|
|||
|
|
# video_save_path 表示视频保存的路径，当video_save_path=""时表示不保存
|
|||
|
|
# 想要保存视频，则设置如video_save_path = "yyy.mp4"即可，代表保存为根目录下的yyy.mp4文件。
|
|||
|
|
# 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退出或者运行到最后一帧才会完成完整的保存步骤。
|
|||
|
|
# ----------------------------------------------------------------------------------------------------------#
|
|||
|
|
video_path = 0
|
|||
|
|
video_save_path = ""
|
|||
|
|
video_fps = 25.0
|
|||
|
|
# ----------------------------------------------------------------------------------------------------------#
|
|||
|
|
# test_interval 用于指定测量fps的时候，图片检测的次数。理论上test_interval越大，fps越准确。
|
|||
|
|
# fps_image_path 用于指定测试的fps图片
|
|||
|
|
#
|
|||
|
|
# test_interval和fps_image_path仅在mode='fps'有效
|
|||
|
|
# ----------------------------------------------------------------------------------------------------------#
|
|||
|
|
test_interval = 100
|
|||
|
|
fps_image_path = "img/street.jpg"
|
|||
|
|
# -------------------------------------------------------------------------#
|
|||
|
|
# dir_origin_path 指定了用于检测的图片的文件夹路径
|
|||
|
|
# dir_save_path 指定了检测完图片的保存路径
|
|||
|
|
#
|
|||
|
|
# dir_origin_path和dir_save_path仅在mode='dir_predict'时有效
|
|||
|
|
# -------------------------------------------------------------------------#
|
|||
|
|
dir_origin_path = "img/"
|
|||
|
|
dir_save_path = "img_out/"
|
|||
|
|
# -------------------------------------------------------------------------#
|
|||
|
|
# heatmap_save_path 热力图的保存路径，默认保存在model_data下
|
|||
|
|
#
|
|||
|
|
# heatmap_save_path仅在mode='heatmap'有效
|
|||
|
|
# -------------------------------------------------------------------------#
|
|||
|
|
heatmap_save_path = "model_data/heatmap_vision.png"
|
|||
|
|
# -------------------------------------------------------------------------#
|
|||
|
|
# simplify 使用Simplify onnx
|
|||
|
|
# onnx_save_path 指定了onnx的保存路径
|
|||
|
|
# -------------------------------------------------------------------------#
|
|||
|
|
simplify = True
|
|||
|
|
onnx_save_path = "model_data/models.onnx"
|
|||
|
|
|
|||
|
|
if mode == "predict":
|
|||
|
|
'''
|
|||
|
|
1、如果想要进行检测完的图片的保存，利用r_image.save("img.jpg")即可保存，直接在predict.py里进行修改即可。
|
|||
|
|
2、如果想要获得预测框的坐标，可以进入yolo.detect_image函数，在绘图部分读取top，left，bottom，right这四个值。
|
|||
|
|
3、如果想要利用预测框截取下目标，可以进入yolo.detect_image函数，在绘图部分利用获取到的top，left，bottom，right这四个值
|
|||
|
|
在原图上利用矩阵的方式进行截取。
|
|||
|
|
4、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。
|
|||
|
|
'''
|
|||
|
|
while True:
|
|||
|
|
# img = pyautogui.screenshot(region=[300, 50, 200, 100]) # 分别代表：左上角坐标，宽高
|
|||
|
|
# img = pyautogui.screenshot() # 分别代表：左上角坐标，宽高
|
|||
|
|
# 对获取的图片转换成二维矩阵形式，后再将RGB转成BGR
|
|||
|
|
# 因为imshow,默认通道顺序是BGR，而pyautogui默认是RGB所以要转换一下，不然会有点问题
|
|||
|
|
# img = cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)
|
|||
|
|
# img/street.jpg
|
|||
|
|
# img/street_a3.jpg
|
|||
|
|
try:
|
|||
|
|
time.sleep(0.3)
|
|||
|
|
# image = Image.fromarray(np.asarray(pyautogui.screenshot(region=[1920/2, 300, 1920/2, 1080])))
|
|||
|
|
image = Image.fromarray(np.asarray(pyautogui.screenshot()))
|
|||
|
|
except:
|
|||
|
|
print('Open Error! Try again!')
|
|||
|
|
continue
|
|||
|
|
else:
|
|||
|
|
r_image = yolo.detect_image(image, crop=crop, count=count)
|
|||
|
|
img = cv2.cvtColor(np.asarray(r_image), cv2.COLOR_RGB2BGR)
|
|||
|
|
# img = cv2.resize(img, dsize=(1600, 860)) # (宽度,高度)
|
|||
|
|
img = cv2.resize(img, dsize=(1920, 1080)) # (宽度,高度)
|
|||
|
|
cv2.imshow("screen", img)
|
|||
|
|
# time.sleep(1)
|
|||
|
|
cv2.waitKey(1)
|
|||
|
|
|
|||
|
|
c = cv2.waitKey(1) & 0xff
|
|||
|
|
# print(c)
|
|||
|
|
if c == 113:
|
|||
|
|
break
|
|||
|
|
|
|||
|
|
|