YOLOv5 detect.py删除锚框画质心点代码

在 YOLOv5 中，删除锚框并得到目标的中心点坐标的代码如下所示：

import torch
import cv2
from models.experimental import attempt_load
from utils.general import non_max_suppression

# 加载模型
weights = 'path/to/weights.pt'
img_size = 640
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = attempt_load(weights, map_location=device)
model.to(device).eval()

# 加载图像
img_path = 'path/to/image.jpg'
img0 = cv2.imread(img_path)  # BGR
img = cv2.resize(img0, (img_size, img_size))
img = img[:, :, ::-1].transpose(2, 0, 1)  # RGB
img = torch.from_numpy(img).to(device).float()
img /= 255.0
if img.ndimension() == 3:
    img = img.unsqueeze(0)

# 进行目标检测
pred = model(img)
pred = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45)

# 处理预测结果
for i, det in enumerate(pred):
    if det is not None and len(det):
        det[:, :4] = det[:, :4].clamp(min=0, max=img_size)
        for *xyxy, conf, cls in reversed(det):
            x, y, w, h = (xyxy[0] + xyxy[2]) / 2, (xyxy[1] + xyxy[3]) / 2, xyxy[2] - xyxy[0], xyxy[3] - xyxy[1]
            print('Object {}: center point = ({}, {})'.format(i, x, y))

在上面的代码中，我们首先加载了 YOLOv5 模型和待检测的图像，然后通过模型进行目标检测，并使用 `non_max_suppression` 函数进行非极大值抑制，得到预测结果 `pred`。接着，我们遍历预测结果，计算每个预测框的中心点坐标，并输出到控制台上。

需要注意的是，在上面的代码中，我们使用了非极大值抑制函数 `non_max_suppression` 来过滤掉重叠的预测框，如果您不需要使用非极大值抑制，可以将 `non_max_suppression` 函数的参数 `conf_thres` 和 `iou_thres` 设置为 0。