那你重新写一个python的基于yolo的行人检测代码

好的，下面是一个基于 YOLOv3 的行人检测代码示例，需要安装 `opencv-python` 和 `numpy` 库。

import cv2
import numpy as np

# 加载 YOLOv3 模型
net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")
classes = []
with open("coco.names", "r") as f:
    classes = [line.strip() for line in f.readlines()]
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

# 加载图片，进行预处理
img = cv2.imread("test.jpg")
height, width, channels = img.shape
blob = cv2.dnn.blobFromImage(img, 0.00392, (416, 416), swapRB=True, crop=False)

# 模型推理
net.setInput(blob)
outs = net.forward(output_layers)

# 解析模型输出，进行行人检测
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 class_id == 0 and confidence > 0.5:  # 只检测行人，置信度阈值为 0.5
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * height)
            w = int(detection[2] * width)
            h = int(detection[3] * height)
            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)

# 非极大值抑制，去重重叠的检测结果
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
font = cv2.FONT_HERSHEY_SIMPLEX
for i in range(len(boxes)):
    if i in indexes:
        x, y, w, h = boxes[i]
        label = str(classes[class_ids[i]])
        confidence = confidences[i]
        color = (0, 255, 0)
        cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
        cv2.putText(img, label + " " + str(round(confidence, 2)), (x, y + 30), font, 1, color, 2)

# 显示结果
cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

需要注意的是，这个示例代码是使用预训练模型进行行人检测，因此需要下载预训练模型权重文件 `yolov3.weights` 和模型配置文件 `yolov3.cfg`，并将它们放在同一目录下。此外，还需要下载类别名称文件 `coco.names`。

如果您需要训练自己的 YOLOv3 行人检测模型，需要准备自己的数据集，并按照 YOLOv3 的输入格式进行处理。具体的实现方式和细节可以参考 YOLOv3 的相关论文和代码实现。