python opencv 物体检测算法获得目标框和类别信息 并存储到list中

好的，可以使用OpenCV中的物体检测算法来实现。常用的算法有Haar分类器、HOG+SVM、YOLO等。

以YOLO为例，可以使用以下步骤来获得目标框和类别信息并存储到list中：

1. 加载YOLO模型。可以使用已经训练好的模型，也可以自己训练。

2. 读取待检测的图像，并将其转换为模型需要的格式。

3. 对图像进行物体检测，获得检测结果（目标框和类别信息）。

4. 遍历检测结果，将目标框和类别信息存储到list中。

下面是示例代码：

import cv2

# 加载YOLO模型
net = cv2.dnn.readNetFromDarknet("yolov3.cfg", "yolov3.weights")

# 读取待检测的图像
img = cv2.imread("test.jpg")

# 将图像转换为模型需要的格式
blob = cv2.dnn.blobFromImage(img, 1/255.0, (416, 416), swapRB=True, crop=False)

# 对图像进行物体检测
net.setInput(blob)
outputs = net.forward(net.getUnconnectedOutLayersNames())

# 遍历检测结果，将目标框和类别信息存储到list中
results = []
for output in outputs:
    for detection in output:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        if confidence > 0.5:
            center_x = int(detection[0] * img.shape[1])
            center_y = int(detection[1] * img.shape[0])
            width = int(detection[2] * img.shape[1])
            height = int(detection[3] * img.shape[0])
            left = int(center_x - width / 2)
            top = int(center_y - height / 2)
            results.append([left, top, width, height, class_id])

# 打印结果
print(results)

需要注意的是，上述代码中使用的是yolov3模型，需要先下载对应的配置文件（yolov3.cfg）和权重文件（yolov3.weights）。同时，上述代码中只保留了置信度大于0.5的检测结果，可以根据需要进行调整。