基于YOLOv5的视频计数 — 汽车计数实现-德赢Vwin官网网

在视频中计数对象可能看起来有挑战性，但借助Python和OpenCV的强大功能，变得令人意外地易于实现。在本文中，我们将探讨如何使用YOLO（You Only Look Once）目标检测模型在视频流或文件中计数对象。我们将该过程分解为简单的步骤，使初学者能够轻松跟随。

本文将分为以下几个部分：

需求
启发式：汽车计数
检测过滤
启发式：实现
结论

需求

在我们深入了解该过程之前，让我们确保已安装所需的库。主要需要：

PyTorch：通过PyTorch Hub，我们将访问Ultralytics存储库以下载Yolov5模型。
OpenCV：用于加载、操作和显示视频的所有实用程序。
Matplotlib（可选）：我们将使用此实用程序在多边形内进行点验证。

如代码片段1所示，requirements.txt文件中列出了这些要求。

opencv-python==4.8.1.78
torch==2.1.0
matplotlib==3.8.0
ultralytics==8.0.203
pandas==2.1.2
requests==2.31.0

一旦我们查看了主要要求，就该了解我们将开发用于从视频中计数对象的启发式的时间了。

启发式：汽车计数

在此示例中，我们将使用一个视频场景，其中将对汽车进行计数。图2显示了一个示例帧。

用于计数汽车的视频帧

为了计数汽车，我们将使用Yolov5来检测视频中的对象。基于检测到的对象，我们将过滤与汽车、公共汽车和卡车有关的类别。由于检测基于边界框（具有坐标xmin、ymin、xmax、ymax的多边形），我们将需要获取每个边界框的中心点（xc, yc），该中心点将是我们对象的参考点。

最后，我们将绘制一个多边形，该多边形将是计数对象的参考，也就是说，如果对象的参考点在多边形内，我们将增加对象计数器，否则计数器不受影响。在下图中，我们可以看到多边形和多边形内的汽车数量的表示。

检测（绿色点）、多边形（红色线）和计数器

到此为止，我们已经知道了需求是什么，以及我们将实施用于计数对象的启发式的方法。现在可以加载模型：Yolov5 Nano

在本例中，我们将使用Yolov5的nano版本（即yolov5n），我们将通过PyTorch Hub从Ultralytics存储库中扩展它。同样，为了加载和在每一帧上生成迭代器，我们将使用OpenCV（即cv2），下述代码是具体的实现方式：

import cv2
import torch


VIDEO_PATH="data/traffic.mp4"
HUB="ultralytics/yolov5"
YOLO="yolov5n"


def count_cars(cap: cv2.VideoCapture):


    model = torch.hub.load(HUB, model=YOLO, pretrained=True)


    while cap.isOpened():
        status, frame = cap.read()


        if not status:
            break


        # Detection filtering and heuristic
        # will be implemented here.


        cv2.imshow("frame", frame)


        if cv2.waitKey(10) & 0xFF == ord('q'):
             break


    cap.release()




if __name__ == '__main__':


    cap = cv2.VideoCapture(VIDEO_PATH)
    count_cars(cap)

正如我们所看到的，我们已经定义了count_cars()函数，我们将在整个项目中对其进行更新。在4-6行，我们定义了视频所在路径、hub和模型名称的变量。从那里，让我们迅速跳到31-32行，在那里通过初始化cap对象加载视频，然后将其传递给count_cars()函数。

返回到第10行，通过PyTorch Hub，我们下载并初始化了yolov5n模型。随后，在第12行，我们生成一个迭代器，只要有要显示的帧，它就会保持活动状态。一旦帧完成，与迭代器相关的对象就会被释放（第26行）。

在第13行，我们读取帧，验证是否成功读取，并显示它们（第21行）。在这一部分，将出现一个窗口，用于查看从此迭代器显示的视频。最后，第23行是在按q键时删除弹出窗口。

检测过滤

过滤检测是指从Yolo预测中提取感兴趣的类别的过程。在这种情况下，我们将过滤掉分数大于0.5且类别为汽车、公共汽车或卡车的检测。同样，我们将需要找到边界框的中心点，我们将其用作对象的参考点。下面代码显示了这两个函数的实现。

import pandas as pd


def get_bboxes(preds: object):
    df = preds.pandas().xyxy[0]
    df = df[df["confidence"] >= 0.5]
    df = df[df["name"].isin(["car", "bus", "truck"])]


    return df[["xmin", "ymin", "xmax", "ymax"]].values.astype(int)


def get_center(bbox):
    center = ((bbox[0] + bbox[2]) // 2, (bbox[1] + bbox[3]) // 2)
    return center

正如我们所看到的，我们定义了两个函数get_bboxes()和get_center()。get_bboxes()函数（第3行）旨在提取所有分数大于0.5并过滤掉已经提到的类别的预测，返回一个坐标形式的边界框的numpy数组[xmin, ymin, xmax, ymax]。

get_center()函数（第10行）接收一个带有边界框坐标的numpy数组，并使用方程xc, yc = (xmin + xmax) // 2, (ymin + ymax) // 2分别计算中心点。

在这一点上，我们已经下载了模型，过滤了预测，并获得了每个对象的中心点。现在，我们唯一需要的是生成决定启发式区域的多边形。因此，让我们继续下一节！

启发式：实现

我们将定义的多边形可能会因视频、透视等而有所不同。在这种情况下，例如此示例，我们将使用8个点，如下图所示：

具有坐标的多边形

一旦我们定义了多边形，我们唯一需要做的就是验证每个对象的参考点是否在多边形内。如果在多边形内，我们就会增加一个计数器，如果不在，我们就继续。

import cv2
import numpy as np
import matplotlib.path as mplPath


POLYGON = np.array([
    [333, 374],
    [403, 470],
    [476, 655],
    [498, 710],
    [1237, 714],
    [1217, 523],
    [1139, 469],
    [1009, 393],
])




def is_valid_detection(xc, yc):
    return mplPath.Path(POLYGON).contains_point((xc, yc))


def count_cars(cap: object):


    model = torch.hub.load(HUB, model=YOLO, pretrained=True)


    while cap.isOpened():
        status, frame = cap.read()


        if not status:
            break


        preds = model(frame)
        bboxes = get_bboxes(preds)


        detections = 0
        for box in bboxes:
            xc, yc = get_center(box)


            if is_valid_detection(xc, yc):
                detections += 1

让我们注意到在第5行，我们定义了多边形。在第17行，我们定义了关键函数：is_valid_detection()，它旨在验证参考点（xc, yc）是否在多边形内。这个函数在第37行调用，如果为真，它会增加有效检测计数器，否则什么也不做。

最后，为了可视化，我们将添加一些OpenCV行来显示计数器、每辆检测到的汽车的参考点和多边形。

def count_cars(cap: object):


    model = torch.hub.load(HUB, model=YOLO, pretrained=True)
    
    while cap.isOpened():
        status, frame = cap.read()


        if not status:
            break


        preds = model(frame)
        bboxes = get_bboxes(preds)


        detections = 0
        for box in bboxes:
            xc, yc = get_center(box)
            
            if is_valid_detection(xc, yc):
                detections += 1
                
            # Draw poit of reference for each detection
            cv2.circle(img=frame, center=(xc, yc), radius=5, color=(0,255,0), thickness=-1)
            # Draw bounding boxes for each detection
            cv2.rectangle(img=frame, pt1=(box[0], box[1]), pt2=(box[2], box[3]), color=(255, 0, 0), thickness=1)
        # Draw the counter
        cv2.putText(img=frame, text=f"Cars: {detections}", org=(100, 100), fontFace=cv2.FONT_HERSHEY_PLAIN, fontScale=3, color=(0,0,0), thickness=3)
        # Draw the polygon
        cv2.polylines(img=frame, pts=[POLYGON], isClosed=True, color=(0,0,255), thickness=4)
        # Display frame
        cv2.imshow("frame", frame)

结论

在本文中，我们看到了如何从视频中实现一个对象计数器。我们开发了一种计算汽车、卡车和公共汽车的实现，基于一个定义的多边形，即如果对象在多边形内，计数器就会增加。

声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表德赢Vwin官网网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。举报投诉

计数器

计数器

+关注

关注
32

文章
2256

浏览量
94476
模型

模型

+关注

关注
1

文章
3226

浏览量
48806
目标检测

目标检测

+关注

关注
0

文章
209

浏览量
15605

原文标题：基于YOLOv5的视频计数 — 汽车计数实现

文章出处：【微信号：vision263com，微信公众号：新机器视觉】欢迎添加关注！文章转载请注明出处。

【YOLOv5】LabVIEW+YOLOv5快速实现实时物体识别（Object Detection）含源码

前面我们给大家介绍了基于LabVIEW+YOLOv3/YOLOv4的物体识别（对象检测），今天接着上次的内容再来看看YOLOv5。本次主要是和大家分享使用LabVIEW快速实现

发表于 03-13 16:01 •2145次阅读

Yolov5算法解读

yolov5于2020年由glenn-jocher首次提出，直至今日yolov5仍然在不断进行升级迭代。 Yolov5有YOLOv5s、YOLOv5

发表于 05-17 16:38 •9017次阅读

【YOLOv5】LabVIEW+TensorRT的yolov5部署实战（含源码）

今天主要和大家分享在LabVIEW中使用纯TensoRT工具包快速部署并实现yolov5的物体识别

发表于 08-21 22:20 •1309次阅读

在RK3568教学实验箱上实现基于YOLOV5的算法物体识别案例详解

一、实验目的本节视频的目的是了解YOLOv5模型的用途及流程，并掌握基于YOLOV5算法实现物体识别的方法。二、实验原理 YOLO（You Only Look Once！）

发表于 12-03 14:56

龙哥手把手教你学视觉-深度学习YOLOV5篇

可以实现理想的检测效果。在本套视频，有别于常见的深度学习教程以理论为主进行全面讲解，以没有任何深度学习理论基础的学员学习角度，以实际应用为目标，讲解如何设计一个完整的yolov5工业外观检测，手把手教学

发表于 09-03 09:39

怎样使用PyTorch Hub去加载YOLOv5模型

在Python>=3.7.0环境中安装requirements.txt，包括PyTorch>=1.7。模型和数据集从最新的 YOLOv5版本自动下载。简单示例此示例从

发表于 07-22 16:02

如何YOLOv5测试代码？

使用文档“使用 YOLOv5 进行对象检测”我试图从文档第 10 页访问以下链接（在 i.MX8MP 上部署 yolov5s 的步骤 - NXP 社区） ...但是这样做时会被拒绝访问。该文档没有说明需要特殊许可才能下载 test.zip 文件。NXP 的人可以提供有关如

发表于 05-18 06:08

yolov5模型onnx转bmodel无法识别出结果如何解决？

问题描述： 1. yolov5模型pt转bmodel可以识别出结果。（转化成功，结果正确） 2. yolov5模型pt转onnx转bmodel可以无法识别出结果。（转化成功，结果没有）配置： 1.

发表于 09-15 07:30

YOLOv5在OpenCV上的推理程序

YOLOv5官方给出的YOLOv5在OpenCV上推理的程序相对来说是比较通俗易懂的，条理清晰，有基本的封装，直接可用！但是我也发现，模型的推理时间跟前后处理的时间相差无几，特别是当视频流有多个检测到的对象时候，整个帧率会有明显

发表于 11-02 10:16 •1897次阅读

YOLOv5 7.0版本下载与运行测试

支持实例分割了，从此YOLOv5实现了图像分类、对象检测、实例分割三个支持，从训练到部署。

发表于 11-30 15:55 •3772次阅读

在C++中使用OpenVINO工具包部署YOLOv5模型

下载并转换YOLOv5预训练模型的详细步骤，请参考：《基于OpenVINO™2022.2和蝰蛇峡谷优化并部署YOLOv5模型》，本文所使用的OpenVINO是2022.3 LTS版。

发表于 02-15 16:53 •4641次阅读

使用旭日X3派的BPU部署Yolov5

本次主要介绍在旭日x3的BPU中部署yolov5。首先在ubuntu20.04安装yolov5，并运行yolov5并使用pytoch的pt模型文件转ONNX。

发表于 04-26 14:20 •879次阅读

yolov5和YOLOX正负样本分配策略

整体上在正负样本分配中，yolov7的策略算是yolov5和YOLOX的结合。因此本文先从yolov5和YOLOX正负样本分配策略分析入手，后引入到YOLOv7的解析中。

发表于 08-14 11:45 •2266次阅读

YOLOv5网络结构训练策略详解

前面已经讲过了Yolov5模型目标检测和分类模型训练流程，这一篇讲解一下yolov5模型结构，数据增强，以及训练策略。

发表于 09-11 11:15 •2168次阅读

RK3588 技术分享 | 在Android系统中使用NPU实现Yolov5分类检测-迅为电子

RK3588 技术分享 | 在Android系统中使用NPU实现Yolov5分类检测-迅为电子

发表于 08-23 14:58 •687次阅读