Обнаружение объектов на Python: от каскадов до YOLO

Расширенные примеры распознавания объектов

Пример 1: Дообучение YOLOv8 на кастомном датасете

Создайте структуру папок с изображениями и аннотациями в формате YOLO (.txt). Затем выполните обучение.

from ultralytics import YOLO

# Загрузка предобученной модели
model = YOLO('yolov8n.pt')

# Обучение на своих данных (датасет лежит в папке dataset)
results = model.train(data='dataset/data.yaml', epochs=50, imgsz=640, batch=8)

Результат: после обучения появляется папка runs/detect/train с весами best.pt. Тестирование:

model = YOLO('runs/detect/train/weights/best.pt')
results = model('test.jpg')
results[0].show()

[INFO] image 1/1: 640x640 3 persons, 1 car, 1 dog
Скорость: 45ms

Пример 2: Экспорт YOLOv8 в ONNX для ускорения на CPU

ONNX позволяет запускать модель без PyTorch, используя оптимизированные рантаймы (ONNX Runtime).

model = YOLO('yolov8n.pt')
model.export(format='onnx')  # создаст файл yolov8n.onnx

Загрузка ONNX модели в другом скрипте:

import onnxruntime as ort
import numpy as np
from PIL import Image

ort_session = ort.InferenceSession('yolov8n.onnx')
image = Image.open('test.jpg').resize((640, 640))
input_tensor = np.array(image).astype(np.float32) / 255.0
input_tensor = input_tensor.transpose(2, 0, 1)[np.newaxis, ...]
outputs = ort_session.run(None, {'images': input_tensor})
# обработка результатов ...

Инференс: 28ms (против 45ms на исходном PyTorch)

Пример 3: Использование TFLite для Raspberry Pi

Подготовка модели для мобильных устройств. Сначала экспорт в TF‑SavedModel, затем преобразование.

model = YOLO('yolov8n.pt')
model.export(format='saved_model')  # сохранит в папку yolov8n_saved_model

import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_saved_model('yolov8n_saved_model')
tflite_model = converter.convert()
with open('yolov8n.tflite', 'wb') as f:
    f.write(tflite_model)

Запуск на Raspberry Pi:

import tflite_runtime.interpreter as tflite
interpreter = tflite.Interpreter(model_path='yolov8n.tflite')
interpreter.allocate_tensors()
# аналогично загрузке ONNX

Пример 4: Детекция с OpenCV DNN + YOLOv3 (альтернатива)

Хотя YOLOv8 удобнее, иногда требуется использовать старую YOLOv3 с OpenCV.

net = cv2.dnn.readNet('yolov3.weights', 'yolov3.cfg')
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]

blob = cv2.dnn.blobFromImage(img, 1/255.0, (416, 416), swapRB=True, crop=False)
net.setInput(blob)
outputs = net.forward(output_layers)

# разбор выходов ...

Обнаружено 3 объекта: person (0.89), car (0.76), bus (0.62)

Пример 5: Пакетная обработка папки изображений с YOLOv8

import glob
from ultralytics import YOLO

model = YOLO('yolov8n.pt')
images = glob.glob('input_folder/*.jpg')
results = model(images, save=True, project='output_folder')

После выполнения в output_folder появятся изображения с детекциями и текстовые файлы с координатами.

Пример 6: Фильтрация по классу и получение координат

results = model('street.jpg')
for r in results:
    boxes = r.boxes
    for box in boxes:
        cls = int(box.cls[0])
        if cls == 0:  # класс 'person'
            x1, y1, x2, y2 = box.xyxy[0].tolist()
            print(f'Person at {x1:.0f},{y1:.0f},{x2:.0f},{y2:.0f}')

Person at 124,56,310,420
Person at 512,100,680,480