OpenVINO教程（二）：图片目标检测推理应用

YOLO模型物体检测

下面是一个简单的python程序,他的功能是使用yolo11n模型对coco_bike.jpg照片进行检测,并显示检测结果
代码步骤如下:

  1. coco_bike.jpg照片
  2. 加载yolo模型
  3. 使用模型进行detect推理
  4. 显示推理结果

下面是完整的代码

from pathlib import Pathimport urllib.request
import tkinter as tk
from PIL import Image, ImageTkfrom ultralytics import YOLO# ----------------------------- #
# 全局配置和路径定义
# ----------------------------- #MODEL_VARIANTS = ["yolo11n", "yolo11s", "yolo11m", "yolo11l", "yolo11x"]
MODEL_NAME = MODEL_VARIANTS[0]  # 默认使用最轻量的 yolo11n 模型
PT_MODEL_PATH = f"{MODEL_NAME}.pt"
IR_MODEL_DIR = Path(f"{MODEL_NAME}_openvino_model")
IR_MODEL_PATH = IR_MODEL_DIR / f"{MODEL_NAME}.xml"
INT8_MODEL_PATH = Path(f"{MODEL_NAME}_openvino_int8_model/{MODEL_NAME}.xml")IMAGE_PATH = Path("./coco_bike.jpg")
OUT_DIR = Path("./")# ----------------------------- #
# 工具函数模块
# ----------------------------- #def download_file_if_needed(url: str, filename: str, dest_dir: Path) -> Path:"""下载文件（若文件已存在则跳过）"""dest_dir.mkdir(parents=True, exist_ok=True)file_path = dest_dir / filenameif not file_path.exists():print(f"Downloading: {filename}")urllib.request.urlretrieve(url, file_path)else:print(f"File already exists: {file_path}")return file_pathdef prepare_test_image():"""确保测试图片存在，如无则从官方地址下载"""if not IMAGE_PATH.exists():download_file_if_needed("https://storage.openvinotoolkit.org/repositories/openvino_notebooks/data/data/image/coco_bike.jpg",IMAGE_PATH.name, IMAGE_PATH.parent)def predict_and_show_image(det_model: YOLO):"""使用模型对图像进行目标检测，并通过 Tkinter GUI 显示检测结果"""results = det_model(IMAGE_PATH)result_img = Image.fromarray(results[0].plot()[:, :, ::-1])root = tk.Tk()root.title("YOLOv11 Detection Result")tk_img = ImageTk.PhotoImage(result_img)label = tk.Label(root, image=tk_img)label.pack()root.mainloop()# ----------------------------- #
# 主执行流程
# ----------------------------- #def main():# 1. 准备测试图像（如无则下载）prepare_test_image()# 2. 构造 Ultralytics YOLO 接口，用于推理/验证det_model =  YOLO(PT_MODEL_PATH).to("cpu")# 3. 使用openvino模型进行推理并显示结果predict_and_show_image(det_model)if __name__ == "__main__":main()

下面是推理结果:
yolo11 detect

OpenVINO物体检测

基于上面程序我们修改,将yolo模型转换为openvino IR模型,然后使用IR模型进行物体检测.完整代码如下:
代码步骤如下:

  1. coco_bike.jpg照片
  2. 导出和加载OpenVINO IR模型
  3. 用 Ultralytics 的 YOLO 接口重新封装 之前导出的 OpenVINO 模型
  4. 使用模型进行detect推理
  5. 显示推理结果

下面是完整的代码

from pathlib import Pathimport urllib.request
import tkinter as tk
from PIL import Image, ImageTkfrom ultralytics import YOLO
import openvino as ov# ----------------------------- #
# 全局配置和路径定义
# ----------------------------- #MODEL_VARIANTS = ["yolo11n", "yolo11s", "yolo11m", "yolo11l", "yolo11x"]
MODEL_NAME = MODEL_VARIANTS[0]  # 默认使用最轻量的 yolo11n 模型
PT_MODEL_PATH = f"{MODEL_NAME}.pt"
IR_MODEL_DIR = Path(f"{MODEL_NAME}_openvino_model")
IR_MODEL_PATH = IR_MODEL_DIR / f"{MODEL_NAME}.xml"
INT8_MODEL_PATH = Path(f"{MODEL_NAME}_openvino_int8_model/{MODEL_NAME}.xml")IMAGE_PATH = Path("./coco_bike.jpg")
OUT_DIR = Path("./")# ----------------------------- #
# 工具函数模块
# ----------------------------- #def download_file_if_needed(url: str, filename: str, dest_dir: Path) -> Path:"""下载文件（若文件已存在则跳过）"""dest_dir.mkdir(parents=True, exist_ok=True)file_path = dest_dir / filenameif not file_path.exists():print(f"Downloading: {filename}")urllib.request.urlretrieve(url, file_path)else:print(f"File already exists: {file_path}")return file_pathdef prepare_test_image():"""确保测试图片存在，如无则从官方地址下载"""if not IMAGE_PATH.exists():download_file_if_needed("https://storage.openvinotoolkit.org/repositories/openvino_notebooks/data/data/image/coco_bike.jpg",IMAGE_PATH.name, IMAGE_PATH.parent)def load_or_export_openvino_model() -> ov.CompiledModel:"""加载或导出 YOLOv11 OpenVINO IR 模型，并编译为 CPU 运行时模型"""model = YOLO(PT_MODEL_PATH).to("cpu")if not IR_MODEL_PATH.exists():model.export(format="openvino", dynamic=True, half=True)core = ov.Core()ir_model = core.read_model(IR_MODEL_PATH)return core.compile_model(ir_model, "CPU")def build_ultralytics_model() -> YOLO:"""创建 Ultralytics 的 YOLO 模型接口，用于调用预测器"""return YOLO(IR_MODEL_DIR, task="detect")def predict_and_show_image(det_model: YOLO, compiled_model: ov.CompiledModel):"""使用模型对图像进行目标检测，并通过 Tkinter GUI 显示检测结果"""if det_model.predictor is None:config = {"conf": 0.25, "batch": 1, "save": False, "mode": "predict"}args = {**det_model.overrides, **config}det_model.predictor = det_model._smart_load("predictor")(overrides=args, _callbacks=det_model.callbacks)det_model.predictor.setup_model(model=det_model.model)det_model.predictor.model.ov_compiled_model = compiled_modelresults = det_model(IMAGE_PATH)result_img = Image.fromarray(results[0].plot()[:, :, ::-1])root = tk.Tk()root.title("YOLOv11 (OpenVINO) Detection Result")tk_img = ImageTk.PhotoImage(result_img)label = tk.Label(root, image=tk_img)label.pack()root.mainloop()# ----------------------------- #
# 主执行流程
# ----------------------------- #def main():# 1. 准备测试图像（如无则下载）prepare_test_image()# 2. 加载或导出 OpenVINO IR 模型，并编译运行（用于量化或预测）compiled_fp_model = load_or_export_openvino_model()# 3. 构造 Ultralytics YOLO 接口，用于推理/验证det_model = build_ultralytics_model()# 4. 使用openvino模型进行推理并显示结果predict_and_show_image(det_model, compiled_fp_model)if __name__ == "__main__":main()

下面是推理结果:
yolo11 openvino detect

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.mzph.cn/web/76821.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

聚类算法(K-means、DBSCAN)

聚类算法(K-means、DBSCAN)

聚类算法 K-means 算法 算法原理 K-means 是一种基于类内距离最小化的划分式聚类算法，其核心思想是通过迭代优化将数据划分为 K 个簇。目标函数为最小化平方误差（SSE）： S S E ∑ i 1 K ∑ x ∈ C i ∣ ∣ x − μ i ∣ ∣ 2…
阅读更多...
Oracle在ERP市场击败SAP

Oracle在ERP市场击败SAP

2024年，甲骨文（Oracle）以87亿美元的ERP收入和6.63%的市场份额，首次超越SAP，成为全球最大的ERP应用软件供应商，结束了SAP自上世纪80年代以来在该领域的长期霸主地位。据APPS RUN THE WORLD的市场调研&#x…
阅读更多...
嵌入式面试高频笔试题目解析

嵌入式面试高频笔试题目解析

一、基础概念与 C 语言核心题 1. 指针与内存操作 典型题目： char str[] = "hello"; char *ptr = "world"; str[0] = H; // 合法吗？ ptr[0] = W; // 合法吗？为什么？解析： str 是栈上数组，可修改内容，str[0]=H 合法。ptr 指向常量字符串区，修改会…
阅读更多...
【Python】Selenium切换网页的标签页的写法（全！！！）

【Python】Selenium切换网页的标签页的写法（全！！！）

在使用selenium做网站爬取测试的时候，我们经常会遇到一些需要点击的元素，才能点击到我们想要进入的页面， 于是我们就要模拟 不断地 点点点击 鼠标的样子。 这个时候网页上就会有很多的标签页，你的浏览器网页标签栏 be like: 那…
阅读更多...
MySQL GTID模式主从同步配置全指南：从配置到故障转移

MySQL GTID模式主从同步配置全指南：从配置到故障转移

前言 MySQL主从复制是企业级数据库架构的基础，而GTID(Global Transaction Identifier)模式则是MySQL 5.6版本后推出的革命性复制技术。本文将详细介绍如何配置基于GTID的主从同步，并包含实用的故障转移操作指南。 一、GTID模式核心优势 相比传统基于…
阅读更多...
MAC系统下完全卸载Android Studio

MAC系统下完全卸载Android Studio

删除以下文件 /Applications/Android Studio.app /Users/用户名/Library/Application Support/Google/AndroidStudio2024.2 /Users/用户名/Library/Google/AndroidStudio /Users/用户名/Library/Preferences/com.google.android.studio.plist /Users/用户名/Library/Cache…
阅读更多...
＜C#＞.NET WebAPI 的 FromBody ，FromForm ，FromServices等详细解释

＜C#＞.NET WebAPI 的 FromBody ，FromForm ，FromServices等详细解释

在 .NET 8 Web API 中，[FromBody]、[FromForm]、[FromHeader]、[FromKeyedServices]、[FromQuery]、[FromRoute] 和 [FromServices] 这些都是用于绑定控制器动作方法参数的特性，下面为你详细解释这些特性。 1. [FromBody] 作用：从 HTTP 请求…
阅读更多...
# 透视 Linux 内核：Socket 机制的底层架构与运行逻辑深度解析

# 透视 Linux 内核：Socket 机制的底层架构与运行逻辑深度解析

在由 Linux 操作系统构建的庞大网络生态中，Socket 作为网络通信的核心枢纽，承载着不同主机间应用进程的数据交互重任。无论是日常的网页浏览、在线游戏，还是复杂的分布式系统通信，Socket 都在幕后扮演着关键角色。尽管多数开发者对…
阅读更多...
# 利用迁移学习优化食物分类模型：基于ResNet18的实践

# 利用迁移学习优化食物分类模型：基于ResNet18的实践

利用迁移学习优化食物分类模型：基于ResNet18的实践 在深度学习的众多应用中，图像分类一直是一个热门且具有挑战性的领域。随着研究的深入，我们发现利用预训练模型进行迁移学习是一种非常有效的策略，可以显著提高模型的性能&#…
阅读更多...
Excel提取图片并自动上传到文件服务器（OOS），获取文件链接

Excel提取图片并自动上传到文件服务器（OOS），获取文件链接

Excel提取图片并自动上传到接口 在实际项目中，我们可能经常会遇到需要批量从Excel文件（.xlsx）中提取图片并上传到特定接口的场景。今天，我就详细介绍一下如何使用Python实现这一功能，本文会手把手教你搭建一个完整的解…
阅读更多...
jmeter利用csv进行参数化和自动断言

jmeter利用csv进行参数化和自动断言

1.测试数据 csv测试数据如下（以注册接口为例） 2.jemer参数化csv设置 打开 jmeter，添加好线程组、HTTP信息头管理器、CSV 数据文件设置、注册请求、响应断言、查看结果树 1） CSV 数据文件设置 若 CSV 中数据包含中文，…
阅读更多...
腾讯云对象存储m3u8文件使用腾讯播放器播放

腾讯云对象存储m3u8文件使用腾讯播放器播放

参考腾讯云官方文档： 播放器 SDK Demo 体验_腾讯云 重要的一步来了： 登录腾讯云控制台，找到对象存储的存储桶。 此时，再去刷新刚才创建的播放器html文件，即可看到播放画面了。
阅读更多...
CSS 美化页面（五）

CSS 美化页面（五）

一、position属性 属性值‌‌描述‌‌应用场景‌static默认定位方式，元素遵循文档流正常排列，top/right/bottom/left 属性无效‌。普通文档流布局，默认布局，无需特殊定位。relative相对定位，相对于元素原本位置进行偏…
阅读更多...
Spring MVC 核心注解与文件上传教程

Spring MVC 核心注解与文件上传教程

一、RequestBody 注解详解 1. 基本使用 作用：从 HTTP 请求体中获取数据，适用于 POST/PUT 请求。 限制：GET 请求无请求体，不可使用该注解。 示例代码 Controller RequestMapping("/demo01") public class Demo01Cont…
阅读更多...
js原型链prototype解释

js原型链prototype解释

function Person(){} var personnew Person() console.log(啊啊,Person instanceof Function);//true console.log(,Person.__proto__Function.prototype);//true console.log(,Person.prototype.__proto__ Object.prototype);//true console.log(,Function.prototype.__prot…
阅读更多...
为您的照片提供本地 AI 视觉：使用 Llama Vision 和 ChromaDB 构建 AI 图像标记器

为您的照片提供本地 AI 视觉：使用 Llama Vision 和 ChromaDB 构建 AI 图像标记器

有没有花 20 分钟浏览您的文件夹以找到心中的特定图像或屏幕截图？您并不孤单。 作为工作中的产品经理，我总是淹没在竞争对手产品的屏幕截图、UI 灵感以及白板会议或草图的照片的海洋中。在我的个人生活中，我总是捕捉我在生活中遇到的事物&am…
阅读更多...
Kafka消费者端重平衡流程

Kafka消费者端重平衡流程

重平衡的完整流程需要消费者 端和协调者组件共同参与才能完成。我们先从消费者的视角来审视一下重平衡的流程。在消费者端，重平衡分为两个步骤：分别是加入组和等待领导者消费者（Leader Consumer）分配方案。这两个步骤分别对应两类…
阅读更多...
2025年五大ETL数据集成工具推荐

2025年五大ETL数据集成工具推荐

ETL工具作为打通数据孤岛的核心引擎，直接影响着企业的决策效率与业务敏捷性。本文精选五款实战型ETL解决方案，从零门槛的国产免费工具到国际大厂企业级平台，助您找到最适合的数据集成利器。 一、谷云科技ETLCloud：国产数据集成工…
阅读更多...
PageIndex：构建无需切块向量化的 Agentic RAG

PageIndex：构建无需切块向量化的 Agentic RAG

引言 你是否对长篇专业文档的向量数据库检索准确性感到失望？传统的基于向量的RAG系统依赖于语义相似性而非真正的相关性。但在检索中，我们真正需要的是相关性——这需要推理能力。当处理需要领域专业知识和多步推理的专业文档时，相似度搜索常…
阅读更多...
ubuntu20.04 远程桌面Xrdp方式

ubuntu20.04 远程桌面Xrdp方式

1，Ubuntu 安装Xrdp 方法 1.1，安装xrdp sudo apt install xrdp 1.2，检查xrdp状态 sudo systemctl status xrdp 1.3，加入ssl-cert sudo adduser xrdp ssl-cert 1.4，重启xrdp服务 sudo systemctl restart xrdp 最后…
阅读更多...
最新文章

Copyright @ 2022~2023