物體偵測已成為人工智慧最令人興奮的應用之一，使機器能夠理解和解釋視覺資料。在本教程中，我們將逐步介紹使用 YOLO（只看一次）演算法建立即時物件偵測應用程式的步驟。這種強大的模型可以快速準確地偵測影像和影片中的物件，使其適用於從監控到自動駕駛車輛的各種應用。
目錄
什麼是物體檢測？
物件偵測是一項電腦視覺任務，涉及辨識和定位影像或視訊串流中的物件。與僅確定存在哪些物件的影像分類不同，物件偵測提供偵測到的物件周圍的邊界框及其類別標籤。
了解 YOLO
YOLO 代表“You Only Look Once”，是一種最先進的即時目標偵測演算法。 YOLO 的主要優點是速度；它即時處理影像，同時保持高精度。 YOLO 將輸入影像分割為網格，並預測每個網格單元的邊界框和機率，使其能夠在一次傳遞中偵測多個物件。
設定您的環境
在我們深入研究程式碼之前，請確保您已安裝以下軟體：
-
Python 3.x ：從python.org下載。
-
OpenCV ：電腦視覺任務的函式庫。
-
NumPy ：用於數值計算的函式庫。
-
TensorFlow 或 PyTorch ：取決於您執行 YOLO 模型的偏好。
建立虛擬環境（可選）
建立虛擬環境可以幫助有效管理依賴關係：
python -m venv yolovenv
source yolovenv/bin/activate # On Windows use yolovenv\Scripts\activate安裝依賴項
使用 pip 安裝所需的函式庫：
pip install opencv-python numpy對於YOLO，您可能需要下載預先訓練的權重和設定檔。您可以在YOLO 官方網站上找到 YOLOv3 權重和配置。
建構物件檢測應用程式
現在，讓我們建立一個使用 YOLO 進行即時物件偵測的 Python 腳本。
步驟1：加載YOLO
建立一個名為object_detection.py的新 Python 文件，並先匯入必要的函式庫並載入 YOLO 模型：
import cv2
import numpy as np
# Load YOLO
net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]步驟2：處理視訊串流
接下來，我們將從網路攝影機擷取影片並處理每一幀以偵測物件：
# Capture video from webcam
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
height, width, channels = frame.shape
# Prepare the image for YOLO
blob = cv2.dnn.blobFromImage(frame, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
net.setInput(blob)
outs = net.forward(output_layers)
# Process the detections
class_ids = []
confidences = []
boxes = []
for out in outs:
for detection in out:
scores = detection[5:]
class_id = np.argmax(scores)
confidence = scores[class_id]
if confidence > 0.5: # Adjust confidence threshold as needed
# Object detected
center_x = int(detection[0] * width)
center_y = int(detection[1] * height)
w = int(detection[2] * width)
h = int(detection[3] * height)
# Rectangle coordinates
x = int(center_x - w / 2)
y = int(center_y - h / 2)
boxes.append([x, y, w, h])
confidences.append(float(confidence))
class_ids.append(class_id)
# Apply Non-Max Suppression
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
# Draw bounding boxes and labels on the frame
for i in range(len(boxes)):
if i in indexes:
x, y, w, h = boxes[i]
label = str(classes[class_ids[i]])
cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.putText(frame, label, (x, y + 30), cv2.FONT_HERSHEY_PLAIN, 3, (0, 255, 0), 3)
cv2.imshow("Image", frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()第 3 步：執行應用程式
要執行該應用程式，請執行以下腳本：
python object_detection.py您應該會看到一個顯示網路攝影機來源的窗口，其中偵測到的物件會即時突出顯示。
潛在用例
即時物體偵測具有廣泛的應用，包括：
-
監控系統：自動偵測安全錄影中的入侵者或異常活動。
-
自動駕駛車輛：辨識行人、交通標誌和其他車輛以進行導航。
-
零售分析：分析商店中的顧客行為和流量模式。
-
擴增實境：透過偵測現實世界的物件並與之互動來增強使用者體驗。
結論
恭喜！您已使用 YOLO 成功建立了即時物件偵測應用程式。這種強大的演算法為各領域的應用開啟了多種可能性。當您進一步探索時，請考慮深入研究更高級的主題，例如針對特定物件偵測任務微調 YOLO 或將此應用程式與其他系統整合。
如果您有興趣從事人工智慧職業，並想了解如何成為一名成功的人工智慧工程師，請查看此成為成功的人工智慧工程師的路線圖，以了解詳細的路線圖。
請隨時在下面的評論中分享您的想法、問題或經驗。快樂編碼！
原文出處：https://dev.to/abhinowww/building-a-real-time-object-detection-application-with-yolo-2b60
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式