### 基于YOLOv5 ONNX模型的电脑摄像头单目标实时检测代码 以下是基于YOLOv5导出的ONNX模型，使用Python和OpenCV库实现通过电脑自带摄像头进行单一目标实时检测的完整代码： #### 安装依赖项 在运行代码之前，请确保安装了必要的依赖项： ```bash pip install opencv-python onnxruntime numpy ``` #### 实现代码 以下是一个完整的代码示例，用于从YOLOv5导出的ONNX模型中执行实时目标检测。 ```python import cv2 import numpy as np import onnxruntime as ort # 加载ONNX模型并配置推理环境 def load_onnx_model(onnx_path): session = ort.InferenceSession(onnx_path, providers=['CUDAExecutionProvider', 'CPUExecutionProvider']) input_name = session.get_inputs()[0].name output_names = [output.name for output in session.get_outputs()] return session, input_name, output_names # 预处理输入图像 def preprocess_image(image, img_size=640): image_resized = cv2.resize(image, (img_size, img_size)) image_normalized = image_resized.astype('float32') / 255.0 image_transposed = np.transpose(image_normalized, axes=[2, 0, 1]) image_expanded = np.expand_dims(image_transposed, axis=0) return image_expanded # 解析模型输出 def postprocess_output(output_data, conf_threshold=0.5, iou_threshold=0.5): predictions = output_data[0][0] # 获取预测框数据 boxes = [] scores = [] classes = [] for pred in predictions: confidence = pred[4] if confidence >= conf_threshold: class_scores = pred[5:] class_id = np.argmax(class_scores) score = class_scores[class_id] if score > conf_threshold: x_center, y_center, width, height = pred[:4] x_min = int((x_center - width / 2) * 640) y_min = int((y_center - height / 2) * 640) x_max = int((x_center + width / 2) * 640) y_max = int((y_center + height / 2) * 640) boxes.append([x_min, y_min, x_max, y_max]) scores.append(float(score)) classes.append(int(class_id)) indices = cv2.dnn.NMSBoxes(boxes, scores, conf_threshold, iou_threshold) filtered_boxes = [boxes[i] for i in indices.flatten()] filtered_classes = [classes[i] for i in indices.flatten()] return filtered_boxes, filtered_classes # 主函数：实时检测逻辑 def main(): onnx_path = "yolov5s.onnx" # 替换为实际的ONNX文件路径 cap = cv2.VideoCapture(0) # 使用默认摄像头 session, input_name, _ = load_onnx_model(onnx_path) while True: ret, frame = cap.read() if not ret: break processed_frame = preprocess_image(frame) outputs = session.run(None, {input_name: processed_frame}) boxes, classes = postprocess_output(outputs) for box, cls in zip(boxes, classes): x_min, y_min, x_max, y_max = box cv2.rectangle(frame, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2) label = f"{cls}" cv2.putText(frame, label, (x_min, y_min - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imshow("Object Detection", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() if __name__ == "__main__": main() ``` --- ### 关键点说明 1. **ONNX模型加载** 使用`onnxruntime`加载YOLOv5导出的ONNX模型，并获取其输入名称和输出名称[^1]。 2. **图像预处理** 将捕获到的摄像头帧调整为目标尺寸（通常为640×640），并将像素值归一化至范围 `[0, 1]`。最后将通道顺序转换为 `(C, H, W)` 并扩展维度以匹配批处理形状[^1]。 3. **模型推理** 调用 `session.run()` 方法完成前向传播计算，得到原始输出张量。 4. **后处理** 对模型输出应用置信度阈值过滤和非极大抑制（NMS）算法筛选有效边界框[^1]。 5. **可视化** 利用 OpenCV 绘制矩形边框标注检测结果，并显示类别标签。 --- ###