提供了编程的基础技术教程

zl程序教程

您现在的位置是：首页 >  其他

当前栏目

streamlit + opencv/YOLOv3 快速构建自己的图像目标检测demo网页（七）

2023-04-18 14:12:36 时间

文章目录

系列参考： python︱写markdown一样写网页，代码快速生成web工具：streamlit介绍（一） python︱写markdown一样写网页，代码快速生成web工具：streamlit 重要组件介绍（二） python︱写markdown一样写网页，代码快速生成web工具：streamlit 展示组件（三） python︱写markdown一样写网页，代码快速生成web工具：streamlit lay-out布局（四） python︱写markdown一样写网页，代码快速生成web工具：streamlit 缓存（五） python︱写markdown一样写网页，代码快速生成web工具：streamlit 数据探索案例（六） streamlit + opencv/YOLOv3 快速构建自己的图像目标检测demo网页（七）

github代码链接：mattzheng/streamlit_demo

1 案例介绍

本案例脱胎于Udacity自动驾驶汽车图像识别，代码链接:implemented in less than 300 lines of Python

原案例中无法自己上传本地图片进行检测,事先提供好了图片url连接（标记了所有图像Ground Truth的原标签数据集），直接download使用，所以不太满足要求 。

笔者这边对该案例进行了一定的魔改，让其可以支持本地图片的使用。 github代码链接:streamlit_demo/demo2-opencv+yolov3 这样才能制作自己的检测器，先贴一下笔者最终微调的结果：

2 依赖安装

使用之前需要加载:

pip install --upgrade streamlit opencv-python

或者直接用线上的文件也是可以的:

streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/streamlit_app.py

3 页面使用

使用步骤：

  • 第一步：选择本地的一张图片(png/jpg)…
  • 第二步:调整目标检测参数
  • 第三步：点击检测的按钮

其中，切换页面模式，继承了源码的三种：目标检测 + 显示介绍 + 展示原始code

4 源码细节解析

辅助的函数介绍：

函数一：下载yolov3 模型文件

# This file downloader demonstrates Streamlit animation.
def download_file(file_path):

函数二：目标检测画图函数

       # Draws an image with boxes overlayed to indicate the presence of cars, pedestrians etc.
def draw_image_with_boxes(image, boxes, header, description):

函数三：目标检测函数

# Run the YOLO model to detect objects.
def yolo_v3(image, confidence_threshold, overlap_threshold):
    # Load the network. Because this is cached it will only happen once.

函数四：图像加载函数

@st.cache(show_spinner=False)
def load_local_image(uploaded_file):
    bytes_data = uploaded_file.getvalue()  
    image = np.array(Image.open(BytesIO(bytes_data)))
    return image

4.1 直接读入markdown文件

之前st.markdown可以直接写，但是如果很长的markdown比较麻烦，于是乎，最好可以先保存一个instructions_yolov3.md文件，然后读入。 这里采用最常规的f.read()读入方式，可以快速读入。

@st.cache(show_spinner=False)
def read_markdown(path):
    with open(path, "r",encoding = 'utf-8') as f:  # 打开文件
        data = f.read()  # 读取文件
    return data

readme_text = st.markdown(read_markdown("instructions_yolov3.md"))

4.2 加载文件与图片

这里笔者被坑了蛮久。之前有python︱写markdown一样写网页，代码快速生成web工具：streamlit 重要组件介绍（二）案例是：

# 单文件载入
uploaded_file = st.file_uploader("Choose a file... csv")
if uploaded_file is not None:
     # To read file as bytes:
     bytes_data = uploaded_file.read()
     st.write(bytes_data)

     # To convert to a string based IO:
     stringio = StringIO(uploaded_file.decode("utf-8"))
     st.write(stringio)

     # To read file as string:
     string_data = stringio.read()
     st.write(string_data)

     # Can be used wherever a "file-like" object is accepted:
     st.write(uploaded_file)
     dataframe = pd.read_csv(uploaded_file)
     st.write(dataframe)

后面不太了解uploaded_file读入的是什么，尝试发现，st.file_uploader读入的是文件的bytes，就跟f.read()效用一样，如果是图片的话，就需要额外将bytes -> array 经过load_local_image之后，image就变成了array，而且是RGB的方式。

@st.cache(show_spinner=False)
def load_local_image(uploaded_file):
    bytes_data = uploaded_file.getvalue()  
    image = np.array(Image.open(BytesIO(bytes_data)))
    return image

uploaded_file = st.sidebar.file_uploader(" ")
image = load_local_image(uploaded_file)

4.3 opencv + yolov3 检测函数

yolo_boxes = yolo_v3(image, confidence_threshold, overlap_threshold)

这里输入的image的RGB数组，以及两个阈值overlap_threshold和confidence_threshold 输出的是坐标的boxes dataframe格式：

    boxes = pd.DataFrame({"xmin": xmin, "ymin": ymin, "xmax": xmax, "ymax": ymax, "labels": labels})
    return boxes[["xmin", "ymin", "xmax", "ymax", "labels"]]

这里是源码，所以不做过多的解释。

相关文章