我們第二天可以用簡單的車輛辨識做為yolo的應用範例，以下是程式碼

import cv2
import torch

# 載入 YOLO 模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

# 設定車輛類別
vehicle_classes = ['car', 'truck', 'bus', 'motorcycle']

# 讀取影像
image_path = 'path/to/your/image.jpg'
image = cv2.imread(image_path)

# YOLO 辨識
results = model(image)

# 繪製辨識結果
for result in results.xyxy[0]:
    x1, y1, x2, y2, conf, cls = result
    if model.names[int(cls)] in vehicle_classes:
        label = f'{model.names[int(cls)]} {conf:.2f}'
        cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
        cv2.putText(image, label, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

# 顯示影像
cv2.imshow('Vehicle Detection', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

1. 載入套件：

   import cv2
   import torch
   

   • cv2 是 OpenCV 的 Python 介面，用於影像處理，比如讀取、顯示和操作影像。
   • torch 是 PyTorch，一個流行的深度學習框架，用於構建和操作神經網路模型。

2. 載入 YOLO 模型：

   model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
   

   • 這行程式碼從 ultralytics/yolov5 庫中載入 YOLOv5 模型，這是一個預訓練好的模型。yolov5s 是 YOLOv5 的輕量版，速度快，適合即時應用。torch.hub.load 是 PyTorch 提供的 API，用於從 GitHub 儲存庫中載入預訓練模型。

3. 設定車輛類別：

   vehicle_classes = ['car', 'truck', 'bus', 'motorcycle']
   

   • 這行程式碼定義了一個清單，包含我們關心的車輛類別，像是汽車、卡車、巴士和摩托車。

4. 讀取影像：

   image_path = 'path/to/your/image.jpg'
   image = cv2.imread(image_path)
   

   • image_path 是影像的路徑，需要替換為實際的影像檔案路徑。
   • cv2.imread(image_path) 函式讀取影像並將其存儲在 image 變數中。

5. YOLO 辨識：

   results = model(image)
   

   • 這行使用 YOLO 模型對影像進行物件辨識，返回的結果儲存在 results 變數中。results 包含了辨識出的物件及其相關資訊。

6. 繪製辨識結果：

   for result in results.xyxy[0]:
       x1, y1, x2, y2, conf, cls = result
       if model.names[int(cls)] in vehicle_classes:
           label = f'{model.names[int(cls)]} {conf:.2f}'
           cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
           cv2.putText(image, label, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
   

   • 我們遍歷 results.xyxy[0] 中的每個辨識結果。
   • x1, y1, x2, y2 是邊界框的座標，conf 是信心度，cls 是類別索引。
   • 如果辨識出的類別在 vehicle_classes 中，就在影像上繪製綠色的方框並標註物件類別和信心度。
   • 使用 cv2.rectangle 繪製邊界框，使用 cv2.putText 標註物件類別和信心度。

7. 顯示影像：

   cv2.imshow('Vehicle Detection', image)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

   • 使用 OpenCV 顯示處理過的影像。
   • cv2.waitKey(0) 等待按鍵輸入，以便關閉影像視窗。
   • cv2.destroyAllWindows 關閉所有開啟的影像視窗。

模型解析

YOLO (You Only Look Once) 是一個很酷的深度學習模型，用來辨識影像中的物件。這裡有幾個重要概念：

1. 一次看完：

   • YOLO 模型只需看一次影像就能找出所有物件，速度非常快，適合即時應用。

2. 網格劃分：

   • 它把影像劃分成一個個小網格，每個網格負責找出它範圍內的物件。

3. 邊界框和信心度：

   • 每個網格會預測一些邊界框，邊界框包含物件的位置和大小，以及模型對這個預測的信心度。

4. 物件類別：

   • 每個網格還會預測物件的類別，比如車、卡車、巴士等。

5. 過濾重疊框：

   • 為了避免重複的邊界框，YOLO 使用一種技術叫非極大值抑制，保留最有信心的邊界框，去掉多餘的。

這段程式碼結合了 YOLO 的快速辨識能力和 OpenCV 的影像處理功能，能夠自動辨識影像中的車輛並加上標註。它速度快、效果好，適合用在即時監控或自動駕駛系統中。