在python中利用h5模型调用摄像头识别水果并框出水果所在位置以及注明水果名称

以下是一个简单的示例代码，使用OpenCV和TensorFlow进行水果识别和边框绘制：

import cv2
import numpy as np
import tensorflow as tf
import h5py

# 加载模型
model = tf.keras.models.load_model('fruit_classifier.h5')

# 水果类别名称
class_names = ['apple', 'banana', 'orange']

# 捕捉摄像头
cap = cv2.VideoCapture(0)

while True:
    # 读取摄像头帧
    ret, frame = cap.read()

    # 调整尺寸以适合模型输入
    resized_frame = cv2.resize(frame, (224, 224))

    # 将像素值标准化为0到1之间
    normalized_frame = resized_frame / 255.0

    # 扩展维度以适应模型输入
    input_data = np.expand_dims(normalized_frame, axis=0)

    # 使用模型进行预测
    predictions = model.predict(input_data)

    # 获取预测结果
    predicted_class_index = np.argmax(predictions[0])
    predicted_class_name = class_names[predicted_class_index]
    predicted_class_prob = predictions[0][predicted_class_index]

    # 在帧上绘制边框和标签
    if predicted_class_prob > 0.8:
        cv2.putText(frame, predicted_class_name, (20, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
        cv2.rectangle(frame, (50, 50), (150, 150), (0, 255, 0), 3)

    # 显示帧
    cv2.imshow('Fruit Recognition', frame)

    # 按q键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

在上面的代码中，我们首先加载了预先训练好的Keras模型文件`fruit_classifier.h5`，然后使用OpenCV捕获摄像头帧，并将其调整为模型输入所需的大小。接下来，我们使用模型进行预测，并根据预测结果在帧上绘制矩形边框和标签。最后，我们使用OpenCV显示帧，并等待用户按下q键退出。请注意，我们在预测阈值为0.8时才绘制边框和标签，以确保只有可靠的预测结果才被显示。