yolov8物体识别实例

您好！您可以使用YOLOv3或YOLOv4进行物体识别，因为YOLOv8目前还没有正式发布。以下是一个使用YOLOv3进行物体识别的示例：

import cv2
import numpy as np

# 加载类标签
classes = []
with open('coco.names', 'r') as f:
    classes = [line.strip() for line in f.readlines()]

# 加载模型配置文件和权重文件
net = cv2.dnn.readNet('yolov3.weights', 'yolov3.cfg')

# 设置输入图像的大小和缩放因子
input_size = 416
scale = 0.00392

# 加载图像
image = cv2.imread('image.jpg')
height, width, channels = image.shape

# 创建输入图像的blob
blob = cv2.dnn.blobFromImage(image, scale, (input_size, input_size), (0, 0, 0), True, crop=False)

# 设置模型的输入
net.setInput(blob)

# 运行前向传播
outs = net.forward(net.getUnconnectedOutLayersNames())

# 初始化边界框、类别ID和置信度列表
boxes = []
class_ids = []
confidences = []

# 遍历每个输出层
for out in outs:
    # 遍历每个检测
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]

        # 只保留置信度高于阈值的检测结果
        if confidence > 0.5:
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * height)
            w = int(detection[2] * width)
            h = int(detection[3] * height)

            # 计算边界框的左上角坐标
            x = int(center_x - w / 2)
            y = int(center_y - h / 2)

            # 添加边界框、类别ID和置信度到列表中
            boxes.append([x, y, w, h])
            class_ids.append(class_id)
            confidences.append(float(confidence))

# 使用非最大抑制来去除重叠的边界框
indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)

# 绘制边界框和类别标签
for i in indices:
    i = i[0]
    x, y, w, h = boxes[i]
    label = str(classes[class_ids[i]])
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
    cv2.putText(image, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 显示结果图像
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这是一个简单的使用YOLOv3进行物体识别的实例。您需要下载YOLOv3的权重文件（yolov3.weights）和配置文件（yolov3.cfg），以及类标签文件（coco.names）。您还需要将要识别的图像命名为'image.jpg'并放置在同一目录下。您可以根据需要进行自定义设置和调整。希望对您有帮助！