【YOLOv9教程】如何使用YOLOv9进行图像与视频检测

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【车辆检测追踪与流量计数系统】
49.【行人检测追踪与双向流量计数系统】50.【基于YOLOv8深度学习的反光衣检测与预警系统】
51.【危险区域人员闯入检测与报警系统】52.【高密度人脸智能检测与统计系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

img

介绍

在之前的博客文章中，我们介绍了如何使用 YOLOv8 进行对象检测。这篇文章则主要介绍如何使用YOLOv9进行图像与视频检测。

YOLOv9 与其前身一样，专注于识别和精确定位图像和视频中的对象。自动驾驶汽车、安全系统和高级图像搜索等应用在很大程度上依赖于此功能。YOLOv9 引入了比 YOLOv8 更令人印象深刻的创新点。

使用 YOLOv9 处理图像和视频

步骤 1：安装必要的库

pip install opencv-python ultralytics

第 2 步：导入库

import cv2
from ultralytics import YOLO

第 3 步：选择模型型号尺寸

model = YOLO("yolov9c.pt")

这里，我们选择了 yolov9c.pt。大家可以选择不同的模型尺寸进行检测，并比较不同的型号并权衡它们各自的优缺点。

第 4 步：编写一个函数来预测和检测图像和视频中的对象

def predict(chosen_model, img, classes=[], conf=0.5):
    if classes:
        results = chosen_model.predict(img, classes=classes, conf=conf)
    else:
        results = chosen_model.predict(img, conf=conf)

    return results

def predict_and_detect(chosen_model, img, classes=[], conf=0.5, rectangle_thickness=2, text_thickness=1):
    results = predict(chosen_model, img, classes, conf=conf)
    for result in results:
        for box in result.boxes:
            cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),
                          (int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)
            cv2.putText(img, f"{result.names[int(box.cls[0])]}",
                        (int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),
                        cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)
    return img, results

predict() 功能

此函数采用三个参数：

  • chosen_model ：用于预测的训练模型
  • img ：要进行预测的图像
  • classes ：（可选）要将预测筛选到的类名列表
  • conf ：（可选）要考虑的预测的最小置信度阈值

该函数首先检查是否提供了 classes 参数。如果是，则使用 classes 参数调用该chosen_model.predict() 方法，该参数仅将预测筛选为这些类。否则，将调用该 chosen_model.predict() 方法时不带 classes 参数，该参数将返回所有预测。

该 conf 参数用于筛选出置信度分数低于指定阈值的预测。这对于消除误报很有用。

该函数返回预测结果列表，其中每个结果都包含以下信息：

  • name ：预测类的名称
  • conf ：预测的置信度分数
  • box ：预测对象的边界框

predict_and_detect() 功能

此函数采用与 predict() 函数相同的参数，但除了预测结果外，它还返回带注释的图像。

该函数首先调用该 predict() 函数以获取预测结果。然后，它循环访问预测结果，并在每个预测对象周围绘制一个边界框。预测类的名称也写在边界框上方。

该函数返回一个包含带注释的图像和预测结果的元组。

以下是这两个函数之间差异的摘要：

  • 该 predict() 函数仅返回预测结果，而该 predict_and_detect() 函数还返回带注释的图像。
  • 该 predict_and_detect() 函数是 predict() 函数的包装器，这意味着它在内部调用函数 predict() 。

第 5 步：使用 YOLOv9 检测图像

# read the image
image = cv2.imread("YourImagePath")
result_img, _ = predict_and_detect(model, image, classes=[], conf=0.5)

如果要检测特定类，只需在类列表classes中输入对象的 ID 号即可。

第 6 步：保存并绘制结果图像

cv2.imshow("Image", result_img)
cv2.imwrite("YourSavePath", result_img)
cv2.waitKey(0)

第 7 步：使用 YOLOv9 检测视频

video_path = r"YourVideoPath"
cap = cv2.VideoCapture(video_path)
while True:
    success, img = cap.read()
    if not success:
        break
    result_img, _ = predict_and_detect(model, img, classes=[], conf=0.5)
    cv2.imshow("Image", result_img)
    
    cv2.waitKey(1)

第 8 步：保存结果视频

# 定义保存函数
def create_video_writer(video_cap, output_filename):
    # grab the width, height, and fps of the frames in the video stream.
    frame_width = int(video_cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    frame_height = int(video_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    fps = int(video_cap.get(cv2.CAP_PROP_FPS))
    #初始化
    fourcc = cv2.VideoWriter_fourcc(*'MP4V')
    writer = cv2.VideoWriter(output_filename, fourcc, fps,
                             (frame_width, frame_height))
    return writer

只需使用上面的函数和代码即可

output_filename = "YourFilename"
writer = create_video_writer(cap, output_filename)

video_path = r"YourVideoPath"
cap = cv2.VideoCapture(video_path)
while True:
    success, img = cap.read()
    if not success:
        break
    result_img, _ = predict_and_detect(model, img, classes=[], conf=0.5)
    writer.write(result_img)
    cv2.imshow("Image", result_img)
    
    cv2.waitKey(1)
writer.release()

结论

在本文中，我们学习了如何使用 YOLOv9 检测图像和视频中的对象。如果您觉得此代码有用，感谢点赞关注。

引用

YOLOv9论文：https://arxiv.org/abs/2402.13616
YOLOv9 源码地址：https://github.com/WongKinYiu/yolov9

关注文末名片G-Z-H：【阿旭算法与机器学习】，发送【开源】可获取更多学习资源

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/780787.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

【论文阅读】AsyncDiff: Parallelizing Diffusion Models by Asynchronous Denoising

【论文阅读】AsyncDiff: Parallelizing Diffusion Models by Asynchronous Denoising

论文：2406.06911 (arxiv.org) 代码：czg1225/AsyncDiff: Official implementation of "AsyncDiff: Parallelizing Diffusion Models by Asynchronous Denoising" (github.com) 简介 异步去噪并行化扩散模型。提出了一种新的扩散模型分布式加…
阅读更多...
python脚本“文档”撰写——“诱骗”ai撰写“火火的动态”python“自动”脚本文档

python脚本“文档”撰写——“诱骗”ai撰写“火火的动态”python“自动”脚本文档

“火火的动态”python“自动”脚本文档，又从ai学习搭子那儿“套”来，可谓良心质量👍👍。 (笔记模板由python脚本于2024年07月07日 15:15:33创建，本篇笔记适合喜欢钻研python和页面源码的coder翻阅) 【学习的细节是欢悦…
阅读更多...
001uboot体验

001uboot体验

1.uboot的作用： 上电->uboot启动->关闭看门狗、初始化时钟、sdram、uart等外设->把内核文件从flash读取到SDRAM->引导内核启动->挂载根文件系统->启动根文件系统的应用程序 2.uboot编译 uboot是一个通用的裸机程序，为了适应各种芯片&…
阅读更多...
盘点8款国内顶尖局域网监控软件（2024年国产局域网监控软件排名）

盘点8款国内顶尖局域网监控软件（2024年国产局域网监控软件排名）

局域网监控软件对于企业网络管理至关重要，它们可以帮助IT部门维护网络安全，优化网络性能，同时监控和控制内部员工的网络使用行为。以下是八款备受推崇的局域网监控软件，每一款都有其独特的优势和适用场景。 1.安企神软件 试用版领…
阅读更多...
【数据结构】（C语言）：二叉搜索树（不使用递归）

【数据结构】（C语言）：二叉搜索树（不使用递归）

二叉搜索树： 非线性的，树是层级结构。基本单位是节点，每个节点最多2个子节点。有序。每个节点，其左子节点都比它小，其右子节点都比它大。每个子树都是一个二叉搜索树。每个节点及其所有子节点形成子树。可以是空树。 …
阅读更多...
Report Design Analysis报告之logic level详解

Report Design Analysis报告之logic level详解

目录 一、前言 二、Logic Level distribution 2.1 logic level配置 2.2 Logic Level Distribution报告 2.3 Logic Level 报告详情查看 2.4 Route Distributions 报告详情查看 2.5 示例代码 一、前言 ​在工程设计中，如果需要了解路径的逻辑级数，可…
阅读更多...
赚钱小思路，送给没有背景的辛辛苦苦努力的我们！

赚钱小思路，送给没有背景的辛辛苦苦努力的我们！

我是一个没有背景的普通人，主要靠勤奋和一股钻劲，这十几年来我的日常作息铁打不变，除了睡觉，不是在搞钱，就是在琢磨怎么搞钱。 ​ 可以说打拼了十几年，各种小生意都做过，以前一直是很乐观的&…
阅读更多...
绘唐3最新版本哪里下载

绘唐3最新版本哪里下载

绘唐3最新版本哪里下载 绘唐最新版本下载地址 推文视频创作设计是一种通过视频和文字的形式来进行推广的方式，可以通过一些专业的工具来进行制作。 以下是一些常用的小说推文视频创作设计工具： 视频剪辑软件：如Adobe Premiere Pro、Fina…
阅读更多...
人工智能系列-Pandas基础

人工智能系列-Pandas基础

🌈个人主页：羽晨同学 💫个人格言:“成为自己未来的主人~” Pandas简介 Pandas是Python语言的拓展程序库，用于数据分析。 Pandas是一个开放源码，BSD许可的库，提供高性能，易于使用的数据结…
阅读更多...
SSM养老院管理系统-计算机毕业设计源码02221

SSM养老院管理系统-计算机毕业设计源码02221

摘要 本篇论文旨在设计和实现一个基于SSM的养老院管理系统，旨在提供高效、便捷的养老院管理服务。该系统将包括老人档案信息管理、护工人员管理、房间信息管理、费用管理等功能模块，以满足养老院管理者和居民的不同需求。 通过引入SSM框架&#x…
阅读更多...
ChatGPT对话：Scratch编程中一个单词，如balloon，每个字母行为一致，如何优化编程

ChatGPT对话：Scratch编程中一个单词，如balloon，每个字母行为一致，如何优化编程

【编者按】balloon 7个字母具有相同的行为，根据ChatGPT提供的方法，优化了代码，方便代码维护与复用。初学者可以使用7个字母精灵，复制代码到不同精灵，也能完成这个功能，但不是优化方法，也没有提高…
阅读更多...
微信小程序毕业设计-医院挂号预约系统项目开发实战(附源码+论文)

微信小程序毕业设计-医院挂号预约系统项目开发实战(附源码+论文)

大家好！我是程序猿老A，感谢您阅读本文，欢迎一键三连哦。 💞当前专栏：微信小程序毕业设计 精彩专栏推荐👇🏻👇🏻👇🏻 🎀 Python毕业设计…
阅读更多...
高考志愿填报，选专业是看兴趣还是看就业？

高考志愿填报，选专业是看兴趣还是看就业？

对于结束高考的学生来说，选择专业的确是一个非常让人头疼的事情。因为很多人都不知道，选专业的时候究竟是应该看一下个人兴趣，还是看未来的就业方向，这也是让不少人都相当纠结的问题。这里分析一下关于专业选择的问题，…
阅读更多...
动手学深度学习（Pytorch版）代码实践 -循环神经网络-54循环神经网络概述

动手学深度学习（Pytorch版）代码实践 -循环神经网络-54循环神经网络概述

54循环神经网络概述 1.潜变量自回归模型 使用潜变量h_t总结过去信息 2.循环神经网络概述 ​ 循环神经网络（recurrent neural network，简称RNN）源自于1982年由Saratha Sathasivam 提出的霍普菲尔德网络。循环神经网络，是指在全…
阅读更多...
字符串——string类的常用接口

字符串——string类的常用接口

一、string类对象的常见构造 二、string类对象的容量操作 三、string类对象的访问及遍历操作 四、string类对象的修改操作 一、string类对象的常见构造 1.string() ——构造空的string类对象，也就是空字符串 2.string(const char* s) ——用字符串来初始化stri…
阅读更多...
【微服务】springboot对接Prometheus指标监控使用详解

【微服务】springboot对接Prometheus指标监控使用详解

目录 一、前言 二、微服务监控概述 2.1 微服务常用监控指标 2.2 微服务常用指标监控工具 2.3 微服务使用Prometheus监控优势 三、环境准备 3.1 部署Prometheus服务 3.2 部署Grafana 服务 3.3 提前搭建springboot工程 3.3.1 引入基础依赖 3.3.2 配置Actuator 端点 3.…
阅读更多...
代码随想录算法训练营第14天|226.翻转二叉树、101. 对称二叉树、104. 二叉树的最大深度、111.二叉树的最小深度

代码随想录算法训练营第14天|226.翻转二叉树、101. 对称二叉树、104. 二叉树的最大深度、111.二叉树的最小深度

打卡Day14 1.226.翻转二叉树2.101. 对称二叉树扩展100. 相同的树572. 另一棵树的子树 3.104. 二叉树的最大深度扩展559.n叉树的最大深度 3.111.二叉树的最小深度 1.226.翻转二叉树 题目链接：226.翻转二叉树 文档讲解： 代码随想录 （1&#x…
阅读更多...
博客的部署方法论

博客的部署方法论

有了域名后，可以方便其他人记住并访问，历史上不乏大企业花大价钱购买域名的： 京东域名换成 JD.com，并且说是为了防止百度吸引流量，为什么？唯品会买下域名 VIP.COM 或花费千万 ‍ 域名提供商 如果想要域…
阅读更多...
Xilinx FPGA:vivado关于真双端口的串口传输数据的实验

Xilinx FPGA:vivado关于真双端口的串口传输数据的实验

一、实验内容 用一个真双端RAM，端口A和端口B同时向RAM里写入数据0-99，A端口读出单数并存入单端口RAM1中，B端口读出双数并存入但端口RAM2中，当检测到按键1到来时将RAM1中的单数读出显示到PC端，当检测到按键2到来时&…
阅读更多...
普通Java工程如何在代码中引用docker-compose.yml中的environment值

普通Java工程如何在代码中引用docker-compose.yml中的environment值

文章目录 一、概述二、常规做法1. 数据库配置分离2. 代码引用配置3. 编写启动类4. 支持打包成可执行包5. 支持可执行包打包成docker镜像6. docker运行 三、存在问题分析四、改进措施1. 包含environment 变量的编排文件2. 修改读取配置文件方式3. 为什么可以这样做 五、运行效果…
阅读更多...
最新文章

Copyright @ 2022~2023