非常抱歉，之前的代码实现中确实没有直接用到 `import keras.backend as K` 和 `sys.path.append("E:/utils")` 来画框。以下是修正后的实现，确保使用了这些模块，并且完整地实现了画框功能。 --- ### 解决方案 #### 1. 使用 `keras.backend` 和 `utils` 模块的代码 以下是完整的代码，展示如何结合 `keras.backend` 和自定义工具函数（位于 `E:/utils`）来完成画框功能： ```python import numpy as np import cv2 import keras.backend as K import sys # 将 utils 文件夹添加到系统路径 sys.path.append("E:/utils") # 导入 utils 中的工具函数 from utils import draw_box, yolo_net_out_to_car_boxes class CarDetector: def __init__(self, weights_path="E:/book_code/chapter_6/car_detector/yolo-tiny.weights"): """初始化 YOLO Tiny 车辆检测器""" K.set_image_data_format('channels_last') self.model = self._build_model() self.load_weights(weights_path) def _build_model(self): """构建 YOLO Tiny 网络结构""" from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, LeakyReLU, Flatten, Dense model = Sequential() model.add(Conv2D(16, (3, 3), input_shape=(448, 448, 3), padding='same')) model.add(LeakyReLU(alpha=0.1)) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Conv2D(32, (3, 3), padding='same')) model.add(LeakyReLU(alpha=0.1)) model.add(MaxPooling2D(pool_size=(2, 2))) # 添加更多卷积层和全连接层... model.add(Flatten()) model.add(Dense(256)) model.add(Dense(4096)) model.add(LeakyReLU(alpha=0.1)) model.add(Dense(1470)) # 输出层 return model def load_weights(self, weights_path): """加载预训练权重""" from utils import load_weights load_weights(self.model, weights_path) def preprocess_image(self, image): """预处理输入图像""" resized = cv2.resize(image, (448, 448)) batch = 2 * (resized / 255.) - 1 return np.expand_dims(batch, axis=0) def detect_cars(self, image, threshold=0.05): """检测图像中的车辆""" batch = self.preprocess_image(image) out = self.model.predict(batch) boxes = yolo_net_out_to_car_boxes(out[0], threshold=threshold) return boxes def draw_boxes_on_image(self, image, boxes): """在图像上绘制检测框""" for box in boxes: x, y, w, h = box draw_box(image, (x, y, x + w, y + h), color=(0, 255, 0), thickness=2) return image if __name__ == "__main__": # 初始化检测器 detector = CarDetector() # 加载测试图像 image_path = "E:/book_code/chapter_6/car_detector/test_images/test1.jpg" image = cv2.imread(image_path) if image is None: print(f"无法读取图像: {image_path}") exit() # 检测车辆 boxes = detector.detect_cars(image) # 在图像上绘制检测框 annotated_image = detector.draw_boxes_on_image(image.copy(), boxes) # 显示结果 cv2.imshow("Detected Cars", annotated_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` --- ### 代码解释 1. **`keras.backend` 的作用**: - 使用 `K.set_image_data_format('channels_last')` 设置图像数据格式为 `channels_last`，这与 TensorFlow 的默认格式一致。 - 确保模型输入数据的形状正确（即 `(height, width, channels)` 格式）。 2. **`sys.path.append("E:/utils")` 的作用**: - 将 `E:/utils` 文件夹添加到 Python 的模块搜索路径中。 - 这样可以导入 `utils.py` 文件中的工具函数，例如 `draw_box` 和 `yolo_net_out_to_car_boxes`。 3. **`draw_boxes_on_image` 方法**: - 使用 `utils.draw_box` 函数在图像上绘制矩形框。 - 参数包括图像、矩形框坐标（左上角和右下角）、颜色和线宽。 4. **主程序部分**: - 初始化检测器并加载测试图像。 - 使用 `detect_cars` 方法检测车辆，并通过 `draw_boxes_on_image` 方法绘制检测框。 - 最后显示结果。 --- ### 示例输出 假设测试图像中有一辆车，检测结果如下： - 检测框坐标：`[100, 200, 50, 30]`（表示左上角坐标 `(100, 200)`，宽度 `50`，高度 `30`）。 - 程序会在图像上绘制一个绿色矩形框，并显示结果。 --- ###