乒乓世界杯_u20世界杯最新战况 - chhtzx.com

HOME> 巴西世界杯排名> YOLOv11实时目标检测 | 摄像头视频图片文件检测

YOLOv11实时目标检测 | 摄像头视频图片文件检测

5366

在上篇文章中YOLO11环境部署 || 从检测到训练https://blog.csdn.net/2301_79442295/article/details/145414103#comments_36164492，我们详细探讨了YOLO11的部署以及推理训练，但是评论区的观众老爷就说了：“博主博主，你这个只能推理只能推理图片，还要将图片放在文件夹下，有没有更简单方便的推理方法？” 有的兄弟，有的，像这样更简单的方法还有10086个，下面我挑一个用于流式视频文件检测。

摄像头视频图片文件检测

视频文件图片文件效果如下视频与摄像头图片文件

视频文件

对于视频或者摄像头等输入，可以将以下代码复制到predict_camera.py运行检测：

from ultralytics import YOLO

import cv2

import torch

from pathlib import Path

import sys

import os

import tkinter as tk

from tkinter import filedialog

def choose_input_source():

print("请选择输入来源：")

print("[1] 摄像头")

print("[2] 视频文件")

choice = input("请输入数字 (1 或 2): ").strip()

if choice == "1":

return 0, "摄像头"

elif choice == "2":

#选择视频文件

root = tk.Tk()

root.withdraw()

video_path = filedialog.askopenfilename(

title="选择视频文件",

filetypes=[("视频文件", "*.mp4;*.avi;*.mkv;*.mov"), ("所有文件", "*.*")]

)

if not video_path:

print("未选择视频文件，程序退出")

sys.exit(0)

return video_path, video_path

else:

print("无效的输入，程序退出")

sys.exit(1)

def detect_media():

# ======================= 配置区 =======================

# 模型配置

model_config = {

'model_path': r'E:\git-project\YOLOV11\ultralytics-main\weights\yolo11n.pt', # 本地模型路径，注意配置！！！！！！！！！！！！！！！！！！！！！！！

'download_url': 'https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt' # 如果没有模型文件下载URL

}

# 推理参数

predict_config = {

'conf_thres': 0.25, # 置信度阈值

'iou_thres': 0.45, # IoU阈值

'imgsz': 640, # 输入分辨率

'line_width': 2, # 检测框线宽

'device': 'cuda:0' if torch.cuda.is_available() else 'cpu' # 自动选择设备

}

# ====================== 配置结束 ======================

try:

# 选择输入来源

input_source, source_desc = choose_input_source()

# 初始化视频源

cap = cv2.VideoCapture(input_source)

if isinstance(input_source, int):

# 如果使用摄像头，设置分辨率

cap.set(cv2.CAP_PROP_FRAME_WIDTH, 720)

cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)

if not cap.isOpened():

raise IOError(f"无法打开视频源 ({source_desc})，请检查设备连接或文件路径。")

# 询问是否保存推理出的视频文件

save_video = False

video_writer = None

output_path = None

answer = input("是否保存推理出的视频文件？(y/n): ").strip().lower()

if answer == "y":

save_video = True

# 创建保存目录：代码文件所在目录下的 predict 文件夹

save_dir = os.path.join(os.getcwd(), "predict")

os.makedirs(save_dir, exist_ok=True)

# 获取视频属性（宽度、高度、fps）

frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))

frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

fps = cap.get(cv2.CAP_PROP_FPS)

if fps == 0 or fps is None:

fps = 25 # 如果无法获取fps，设定默认值

# 构造输出视频文件路径

output_path = os.path.join(save_dir, "output_inference.mp4")

fourcc = cv2.VideoWriter_fourcc(*"mp4v")

video_writer = cv2.VideoWriter(output_path, fourcc, fps, (frame_width, frame_height))

print(f"推理视频将保存至: {output_path}")

# 加载模型（带异常捕获）

if not Path(model_config['model_path']).exists():

if model_config['download_url']:

print("开始下载模型...")

YOLO(model_config['download_url']).download(model_config['model_path'])

else:

raise FileNotFoundError(f"模型文件不存在: {model_config['model_path']}")

# 初始化模型

model = YOLO(model_config['model_path']).to(predict_config['device'])

print(f"✅ 模型加载成功 | 设备: {predict_config['device'].upper()}")

print(f"输入来源: {source_desc}")

# 实时检测循环

while True:

ret, frame = cap.read()

if not ret:

print("视频流结束或中断")

break

# 执行推理

results = model.predict(

source=frame,

stream=True, # 流式推理

verbose=False,

conf=predict_config['conf_thres'],

iou=predict_config['iou_thres'],

imgsz=predict_config['imgsz'],

device=predict_config['device']

)

# 遍历生成器获取结果（取第一个结果）

for result in results:

annotated_frame = result.plot(line_width=predict_config['line_width'])

break

# 摄像头模式下显示FPS

if isinstance(input_source, int):

fps = cap.get(cv2.CAP_PROP_FPS)

cv2.putText(annotated_frame, f'FPS: {fps:.2f}', (10, 30),

cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)

# 显示实时画面

cv2.imshow('YOLO Real-time Detection', annotated_frame)

# 如保存视频，写入视频文件

if save_video and video_writer is not None:

video_writer.write(annotated_frame)

# 按键退出q

if cv2.waitKey(1) & 0xFF == ord('q'):

break

# 释放资源

cap.release()

if video_writer is not None:

video_writer.release()

cv2.destroyAllWindows()

print("✅ 检测结束")

if save_video and output_path is not None:

print(f"推理结果视频已保存至: {output_path}")

except Exception as e:

print(f"\n❌ 发生错误: {str(e)}")

print("问题排查建议：")

print("1. 检查视频源是否正确连接或文件路径是否正确")

print("2. 确认模型文件路径正确")

print("3. 检查CUDA是否可用（如需GPU加速）")

print("4. 尝试降低分辨率设置")

if __name__ == "__main__":

detect_media()

需要更改的参数： 1.model_path：模型文件位置，默认使用的是yolo11n.pt 2.predict_config下置信度等 3.分辨率等 需要注意的是退出按q，点击视频框的×是无法退出的，当然也可以使用Ctrl+C方式退出，退出不会造成摄像头不保存推理文件，文件保存在代码所在文件夹下predict文件夹内。

图片文件

对于图片文件，将图片放在picture文件夹下太麻烦，同样采用选择图片进行检测，同时可以框选多个图片，可以将以下代码复制到predict_images.py运行检测：

from ultralytics import YOLO

import cv2

import torch

from pathlib import Path

import os

import tkinter as tk

from tkinter import filedialog

def choose_input_files():

root = tk.Tk()

root.withdraw() # 隐藏主窗口

image_paths = filedialog.askopenfilenames(

title="选择图片文件",

filetypes=[("图片文件", "*.jpg;*.jpeg;*.png;*.bmp;*.tiff;*.gif"), ("所有文件", "*.*")]

)

if not image_paths:

print("未选择任何图片文件，程序退出")

exit(0)

return image_paths

def detect_images():

# ======================= 配置区 =======================

# 模型配置

model_config = {

'model_path': r'E:\git-project\YOLOV11\ultralytics-main\weights\yolo11n.pt', # 本地模型路径

'download_url': 'https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt' # 如果没有模型文件可在此处添加下载URL

}

# 推理参数

predict_config = {

'conf_thres': 0.25, # 置信度阈值

'iou_thres': 0.45, # IoU阈值

'imgsz': 640, # 输入分辨率

'line_width': 2, # 检测框线宽

'device': 'cuda:0' if torch.cuda.is_available() else 'cpu' # 自动选择设备

}

# ====================== 配置结束 ======================

try:

# 选择图片文件

image_paths = choose_input_files()

# 创建保存目录：代码文件所在目录下的 predict 文件夹

save_dir = os.path.join(os.getcwd(), "predict", "exp")

os.makedirs(save_dir, exist_ok=True)

if os.path.exists(save_dir):

i = 1

while os.path.exists(f"{save_dir}{i}"):

i += 1

save_dir = f"{save_dir}{i}"

os.makedirs(save_dir)

# 加载模型（带异常捕获）

if not Path(model_config['model_path']).exists():

if model_config['download_url']:

print("开始下载模型...")

YOLO(model_config['download_url']).download(model_config['model_path'])

else:

raise FileNotFoundError(f"模型文件不存在: {model_config['model_path']}")

# 初始化模型

model = YOLO(model_config['model_path']).to(predict_config['device'])

print(f"✅ 模型加载成功 | 设备: {predict_config['device'].upper()}")

# 处理每个选定的图片文件

for image_path in image_paths:

print(f"正在处理图片: {image_path}")

img = cv2.imread(image_path)

if img is None:

print(f"无法读取图片: {image_path}")

continue

# 执行推理

results = model.predict(

source=img, # 输入图片

stream=False, # 禁用流模式

verbose=False,

conf=predict_config['conf_thres'],

iou=predict_config['iou_thres'],

imgsz=predict_config['imgsz'],

device=predict_config['device']

)

# 解析并绘制结果（取第一个结果）

for result in results:

annotated_img = result.plot(line_width=predict_config['line_width'])

break

# 保存推理结果图像到文件

output_image_path = os.path.join(save_dir, f"output_{os.path.basename(image_path)}")

cv2.imwrite(output_image_path, annotated_img)

print(f"推理结果已保存至: {output_image_path}")

# 显示实时画面，取消下面注释就会边检测边弹出结果

# cv2.imshow('YOLO Real-time Detection', annotated_img)

# 等待按键退出当前图片查看

if cv2.waitKey(0) & 0xFF == ord('q') :

break

cv2.destroyAllWindows()

print("✅ 检测结束")

except Exception as e:

print(f"\n❌ 发生错误: {str(e)}")

print("问题排查建议：")

print("1. 检查图片文件路径是否正确")

print("2. 确认模型文件路径正确")

print("3. 检查CUDA是否可用（如需GPU加速）")

print("4. 尝试降低分辨率设置")

if __name__ == "__main__":

detect_images()

同样需要更改模型文件地址、置信度等，图片文件保存在代码文件夹的predict文件夹下exp中，如果想要检测时就查看图片，可以将这段代码取消注释：

# 显示实时画面

cv2.imshow('YOLO Real-time Detection', annotated_img)

效果如下

视频与摄像头

图片文件

所有推理出的文件都会在代码同级的predict目录下，按q退出。

令计划情人央视冯卓被曝失联：2年从记者到副主任
展厅展示道具的选择与搭配技巧