今天是第四天我們可以寫一些斑馬魚行為辨識的yolo，以下是程式碼

import cv2
import numpy as np

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

# 載入類別名稱
with open('yolo/coco.names', 'r') as f:
    classes = [line.strip() for line in f.readlines()]

# 讀取視頻文件
cap = cv2.VideoCapture('zebrafish.mp4')

while(cap.isOpened()):
    ret, frame = cap.read()
    if not ret:
        break
    
    height, width, channels = frame.shape

    # YOLO 預處理
    blob = cv2.dnn.blobFromImage(frame, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
    net.setInput(blob)
    outs = net.forward(output_layers)

    class_ids = []
    confidences = []
    boxes = []

    # 分析 YOLO 輸出
    for out in outs:
        for detection in out:
            scores = detection[5:]
            class_id = np.argmax(scores)
            confidence = scores[class_id]
            if confidence > 0.5:
                center_x = int(detection[0] * width)
                center_y = int(detection[1] * height)
                w = int(detection[2] * width)
                h = int(detection[3] * height)

                x = int(center_x - w / 2)
                y = int(center_y - h / 2)

                boxes.append([x, y, w, h])
                confidences.append(float(confidence))
                class_ids.append(class_id)

    indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)

    for i in range(len(boxes)):
        if i in indexes:
            x, y, w, h = boxes[i]
            label = str(classes[class_ids[i]])
            confidence = confidences[i]
            color = (0, 255, 0)
            cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)
            cv2.putText(frame, f"{label} {confidence:.2f}", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

    cv2.imshow('Zebrafish Behavior Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

1. 載入 YOLO 模型和配置文件：

   net = cv2.dnn.readNet('yolo/yolov3.weights', 'yolo/yolov3.cfg')
   

   readNet 函數從指定的權重文件和配置文件中載入 YOLO 模型。

2. 獲取 YOLO 層的名稱：

   layer_names = net.getLayerNames()
   output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]
   

   這段代碼獲取 YOLO 模型的所有層的名稱，並確定輸出層。

3. 載入類別名稱：

   with open('yolo/coco.names', 'r') as f:
       classes = [line.strip() for line in f.readlines()]
   

   coco.names 文件包含 YOLO 模型可以識別的物體類別名稱，這裡將其讀入 classes 列表。

4. 讀取視頻文件：

   cap = cv2.VideoCapture('zebrafish.mp4')
   

   使用 OpenCV 的 VideoCapture 函數讀取指定的視頻文件。

5. 視頻幀處理：

   while(cap.isOpened()):
       ret, frame = cap.read()
       if not ret:
           break
   

   這個 while 迴圈逐幀讀取視頻文件，直到視頻結束。

6. YOLO 預處理：

   blob = cv2.dnn.blobFromImage(frame, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
   net.setInput(blob)
   outs = net.forward(output_layers)
   

   將每一幀圖像轉換為 YOLO 所需的 blob 格式，並傳入模型進行前向傳播以獲得輸出。

7. 分析 YOLO 輸出：

   for out in outs:
       for detection in out:
           scores = detection[5:]
           class_id = np.argmax(scores)
           confidence = scores[class_id]
           if confidence > 0.5:
               ...
   

   解析 YOLO 模型的輸出，篩選出信心度超過 0.5 的檢測結果，計算邊界框的位置。

8. 非極大值抑制：

   indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
   

   使用非極大值抑制來消除重疊的邊界框，保留最有信心的檢測結果。

9. 畫出邊界框和類別標籤：

   for i in range(len(boxes)):
       if i in indexes:
           ...
           cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)
           cv2.putText(frame, f"{label} {confidence:.2f}", (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)
   

   在每一幀圖像中畫出邊界框並標註檢測到的類別和信心度。

10. 顯示視頻：

    cv2.imshow('Zebrafish Behavior Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
    

    將處理過的幀顯示在窗口中，按下 'q' 鍵可以退出。

11. 釋放資源：

    cap.release()
    cv2.destroyAllWindows()
    

    釋放視頻資源並關閉所有窗口。

這段程式碼實現了從視頻中逐幀讀取圖像，使用 YOLO 模型進行目標檢測，並將檢測結果顯示在視頻中的功能。