### 结合OpenCV和PyTorch的项目实例 #### 使用OpenCV与PyTorch实现实时目标检测系统 为了构建实时目标检测系统，可以采用如下方法： 首先定义一个简单的流程来处理图像输入并执行预测操作。此过程涉及读取图片文件、预处理数据以及应用训练好的PyTorch模型来进行推理。 ```python import cv2 import torch from torchvision import transforms, models # 初始化设备 (GPU 或 CPU) device = 'cuda' if torch.cuda.is_available() else 'cpu' # 加载预训练模型 model = models.detection.fasterrcnn_resnet50_fpn(pretrained=True).to(device) model.eval() def preprocess_image(image): transform = transforms.Compose([ transforms.ToTensor(), ]) image_tensor = transform(image) return image_tensor.unsqueeze(0) cap = cv2.VideoCapture(0) # 打开摄像头 while True: ret, frame = cap.read() if not ret: break input_tensor = preprocess_image(frame).to(device) with torch.no_grad(): predictions = model(input_tensor)[0] boxes = predictions['boxes'].cpu().numpy() labels = predictions['labels'].cpu().numpy() scores = predictions['scores'].cpu().numpy() threshold = 0.7 detected_objects = [(box, label) for box, score, label in zip(boxes, scores, labels) if score >= threshold] for box, label in detected_objects: x_min, y_min, x_max, y_max = map(int, box) cv2.rectangle(frame, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2) cv2.imshow('Object Detection', frame) key = cv2.waitKey(1) & 0xFF if key == ord("q"): break cv2.destroyAllWindows() cap.release() ``` 这段代码展示了如何使用`torchvision.models`库中的预训练Faster R-CNN ResNet-50 FPN模型进行对象检测，并通过OpenCV显示带有边界框的结果视频流[^3]。 对于更复杂的场景，比如自定义的数据集或特定领域内的物体识别任务，则可能需要微调现有的网络架构或是重新设计新的卷积神经网络(CNN)，这通常涉及到收集足够的标注样本用于监督学习阶段。 另外值得注意的是，在某些情况下可以直接借助于OpenCV自带的功能——即先将PyTorch模型导出成ONNX格式再由DNN模块加载运行，从而简化跨平台移植工作量的同时提高性能表现[^2]。