### 使用YOLOv5和OpenCV实现车辆检测或检查的完整流程 为了实现车辆检测的功能，可以利用YOLOv5的目标检测能力和OpenCV的强大图像处理能力相结合。以下是具体的实现方法： #### 1. 安装依赖库 首先需要安装必要的Python库来支持YOLOv5模型以及OpenCV操作。 ```bash pip install torch torchvision opencv-python-headless ultralytics ``` 这些命令会安装PyTorch、torchvision用于深度学习框架的支持，`opencv-python-headless`提供无GUI模式下的图像处理功能，而`ultralytics`则是官方维护的YOLOv5封装包[^1]。 #### 2. 加载预训练模型 通过Ultralytics提供的API可以直接加载已有的YOLOv5权重文件或者自定义训练好的模型。 ```python from ultralytics import YOLO model = YOLO('yolov5s.pt') # 或者替换为你自己的路径 'best.pt' ``` 这里使用了轻量级版本 `yolov5s`, 如果有特定场景需求可以选择其他尺寸如m/l/x等变体[^1]^, ^[^4]. #### 3. 图像读取与预处理 借助OpenCV完成图片获取及初步调整工作以便后续送入神经网络计算。 ```python import cv2 image_path = "example.jpg" img = cv2.imread(image_path) if img is None: raise ValueError(f"{image_path} does not exist.") height, width = img.shape[:2] # 可选步骤 - 对图像进行缩放或其他变换 scale_percent = 60 # 百分比缩小比例 new_width = int(width * scale_percent / 100) new_height = int(height * scale_percent / 100) dim = (new_width, new_height) resized_img = cv2.resize(img, dim, interpolation=cv2.INTER_AREA) ``` 此部分展示了基本的文件验证逻辑还有简单的尺寸改变过程[^3]. #### 4. 执行推理并解析结果 将准备完毕的数据传递给先前实例化的YOLO对象来进行预测任务. ```python results = model(resized_img) boxes = results[0].boxes.xyxy.cpu().numpy() # 边界框坐标[x1,y1,x2,y2] scores = results[0].boxes.conf.cpu().numpy() # 置信度得分 classes = results[0].boxes.cls.cpu().numpy() # 类别索引编号 ``` 上述代码片段提取出了每项预测的主要属性信息包括位置范围、可信程度以及所属分类标签[^2]. #### 5. 后续可视化展示 最后一步便是把所得数据重新映射回原始分辨率之上再画出来形成直观的效果图样。 ```python for box,score,class_id in zip(boxes,scores,classes): if class_id == 2 or class_id == 7 : # COCO 数据集中 car 和 truck 的类别ID分别为2和7. x1,y1,x2,y2 = map(int,[box]) label = f'Car {score:.2f}' if class_id==2 else f'Truck {score:.2f}' color=(0,255,0) if score>0.5 else (0,0,255) resized_img = cv2.rectangle(resized_img,(x1,y1),(x2,y2),color=color,thickness=2) resized_img = cv2.putText(resized_img,label,(x1,y1-10), fontFace=cv2.FONT_HERSHEY_SIMPLEX, fontScale=0.9,color=color,thickness=2) cv2.imshow("Detected Vehicles",resized_img) cv2.waitKey(0); cv2.destroyAllWindows() ``` 以上脚本实现了针对汽车类别的筛选过滤机制同时还加入了阈值判断用来区分高概率命中情况的颜色标记差异显示方式. --- ### 总结说明 整个项目涵盖了从环境搭建到实际业务落地全过程的关键环节描述，并且紧密结合了当前主流技术栈的优势特性加以运用实践当中去解决具体问题所在之处[^1]^, ^[^4].