源代碼來(lái)自小賽的文章，他的解釋更加詳細(xì)，這里我做記錄用。

import numpyas np

import cv2as cv

import os

import time

yolo_dir ='/home/hessesummer/github/NTS-Net-my/yolov3'  # YOLO文件路徑

weightsPath = os.path.join(yolo_dir, 'yolov3.weights')# 權(quán)重文件

configPath = os.path.join(yolo_dir, 'yolov3.cfg')# 配置文件

labelsPath = os.path.join(yolo_dir, 'coco.names')# label名稱(chēng)

imgPath = os.path.join(yolo_dir, 'test.jpg')# 測(cè)試圖像

CONFIDENCE =0.5  # 過(guò)濾弱檢測(cè)的最小概率

THRESHOLD =0.4  # 非最大值抑制閾值

# 加載網(wǎng)絡(luò)、配置權(quán)重

net = cv.dnn.readNetFromDarknet(configPath, weightsPath)# #  利用下載的文件

print("[INFO] loading YOLO from disk...")# # 可以打印下信息

# 加載圖片、轉(zhuǎn)為blob格式、送入網(wǎng)絡(luò)輸入層

img = cv.imread(imgPath)

blobImg = cv.dnn.blobFromImage(img, 1.0/255.0, (416, 416), None, True, False)# # net需要的輸入是blob格式的，用blobFromImage這個(gè)函數(shù)來(lái)轉(zhuǎn)格式

net.setInput(blobImg)# # 調(diào)用setInput函數(shù)將圖片送入輸入層

# 獲取網(wǎng)絡(luò)輸出層信息（所有輸出層的名字），設(shè)定并前向傳播

outInfo = net.getUnconnectedOutLayersNames()# # 前面的yolov3架構(gòu)也講了，yolo在每個(gè)scale都有輸出，outInfo是每個(gè)scale的名字信息，供net.forward使用

start = time.time()

layerOutputs = net.forward(outInfo)# 得到各個(gè)輸出層的、各個(gè)檢測(cè)框等信息，是二維結(jié)構(gòu)。

end = time.time()

print("[INFO] YOLO took {:.6f} seconds".format(end - start))# # 可以打印下信息

# 拿到圖片尺寸

(H, W) = img.shape[:2]

# 過(guò)濾layerOutputs

# layerOutputs的第1維的元素內(nèi)容: [center_x, center_y, width, height, objectness, N-class score data]

# 過(guò)濾后的結(jié)果放入：

boxes = []# 所有邊界框（各層結(jié)果放一起）

confidences = []# 所有置信度

classIDs = []# 所有分類(lèi)ID

# # 1）過(guò)濾掉置信度低的框框

for outin layerOutputs:# 各個(gè)輸出層

    for detectionin out:# 各個(gè)框框

# 拿到置信度

        scores = detection[5:]# 各個(gè)類(lèi)別的置信度

        classID = np.argmax(scores)# 最高置信度的id即為分類(lèi)id

        confidence = scores[classID]# 拿到置信度

# 根據(jù)置信度篩查

        if confidence > CONFIDENCE:

box = detection[0:4] * np.array([W, H, W, H])# 將邊界框放會(huì)圖片尺寸

            (centerX, centerY, width, height) = box.astype("int")

x =int(centerX - (width /2))

y =int(centerY - (height /2))

boxes.append([x, y, int(width), int(height)])

confidences.append(float(confidence))

classIDs.append(classID)

# # 2）應(yīng)用非最大值抑制(non-maxima suppression，nms)進(jìn)一步篩掉

idxs = cv.dnn.NMSBoxes(boxes, confidences, CONFIDENCE, THRESHOLD)# boxes中，保留的box的索引index存入idxs

# 得到labels列表

with open(labelsPath, 'rt')as f:

labels = f.read().rstrip('\n').split('\n')

# 應(yīng)用檢測(cè)結(jié)果

np.random.seed(42)

COLORS = np.random.randint(0, 255, size=(len(labels), 3), dtype="uint8")# 框框顯示顏色，每一類(lèi)有不同的顏色，每種顏色都是由RGB三個(gè)值組成的，所以size為(len(labels), 3)

if len(idxs) >0:

for iin idxs.flatten():# indxs是二維的，第0維是輸出層，所以這里把它展平成1維

        (x, y) = (boxes[i][0], boxes[i][1])

(w, h) = (boxes[i][2], boxes[i][3])

color = [int(c)for cin COLORS[classIDs[i]]]

cv.rectangle(img, (x, y), (x+w, y+h), color, 2)# 線(xiàn)條粗細(xì)為2px

        text ="{}: {:.4f}".format(labels[classIDs[i]], confidences[i])

cv.putText(img, text, (x, y-5), cv.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)# cv.FONT_HERSHEY_SIMPLEX字體風(fēng)格、0.5字體大小、粗細(xì)2px

cv.imshow('detected image', img)

cv.waitKey(0)