python自带yolo
时间: 2025-01-30 14:14:20 浏览: 40
### Python中YOLO的目标检测
在Python环境中应用YOLO进行目标检测涉及安装必要的依赖库以及加载预训练模型。对于YOLOv3版本而言,其架构设计使得该网络能够同时保持高精度和高速度[^1]。
#### 安装环境准备
为了能够在Python项目里调用YOLO执行图像中的物体识别任务,通常需要先配置好开发环境。这一步骤主要包括设置深度学习框架(如PyTorch或TensorFlow),并下载对应版本的YOLO权重文件与配置文档。以Darknet为例,这是最初实现YOLO系列算法的一个C语言编写的开源工具包;而借助于`torchvision`这样的高级API,则可以让使用者更方便地集成YOLO到基于Python的工作流当中去。
#### 加载预训练模型
当完成上述准备工作之后,就可以着手编写具体的代码来读取图片数据并对它们实施预测操作了。下面给出了一段简单的示范程序片段用于展示如何利用`torch.hub`快速获取官方发布的YOLOv5模型实例:
```python
import torch
from PIL import ImageDraw, Image
# 使用torch.hub加载yolov5s预训练模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
img_path = "example.jpg"
results = model(img_path)
# 将结果绘制出来
image = Image.open(img_path)
draw = ImageDraw.Draw(image)
for pred in results.xyxy[0]:
label = f'{model.names[int(pred[-1])]} {pred[-2]:.2f}'
draw.rectangle(xy=pred[:4], outline="red", width=3)
draw.text((pred[0]+5,pred[1]-20),label,fill='white')
image.show()
```
这段脚本展示了怎样从互联网上拉取最新的YOLOv5小型版(`yolov5s`)作为基础模型,并针对单张测试照片进行了推理运算。最后还包含了可视化部分——即把检测框及其类别标签叠加显示在原始图之上以便直观查看效果。
阅读全文
相关推荐


















