### 使用 Flask 部署 YOLOv1 实现目标检测功能 尽管当前主流的目标检测框架已经发展到了 YOLOv8 或更高版本，YOLOv1 作为最早的版本仍然具有一定的学习价值。以下是关于如何使用 Flask 部署 YOLOv1 的详细介绍。 #### 1. 准备工作 为了成功部署 YOLOv1 模型，需要完成以下准备工作： - **安装必要的库**：确保 Python 环境中已安装 `Flask` 和其他依赖项（如 NumPy、OpenCV 等），这些工具对于构建 Web 应用程序和图像处理至关重要[^3]。 - **获取预训练模型权重**：YOLOv1 的官方实现可能不再维护，因此可以从开源社区找到对应的 Darknet 权重文件或其他转换后的格式。 - **加载模型**：通过 OpenCV 提供的 DNN 模块可以轻松加载 YOLOv1 模型及其配置文件[^2]。 #### 2. Flask 应用结构设计 Flask 是一种轻量级的 Web 开发框架，适合用来搭建 RESTful API 接口。基本的应用结构如下： ```python from flask import Flask, request, jsonify import cv2 import numpy as np app = Flask(__name__) @app.route('/detect', methods=['POST']) def detect(): try: # 获取上传图片数据 file = request.files['image'] image = cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR) # 加载 YOLOv1 模型 net = cv2.dnn.readNetFromDarknet('yolov1.cfg', 'yolov1.weights') blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (448, 448), swapRB=True, crop=False) net.setInput(blob) layer_names = net.getLayerNames() output_layers = [layer_names[i - 1] for i in net.getUnconnectedOutLayers()] outputs = net.forward(output_layers) # 解析输出结果 class_ids = [] confidences = [] boxes = [] for output in outputs: for detection in output: scores = detection[5:] class_id = np.argmax(scores) confidence = scores[class_id] if confidence > 0.5: # 设置置信度阈值 center_x = int(detection[0] * image.shape[1]) center_y = int(detection[1] * image.shape[0]) w = int(detection[2] * image.shape[1]) h = int(detection[3] * image.shape[0]) x = int(center_x - w / 2) y = int(center_y - h / 2) boxes.append([x, y, w, h]) confidences.append(float(confidence)) class_ids.append(class_id) indices = cv2.dnn.NMSBoxes(boxes, confidences, score_threshold=0.5, nms_threshold=0.4) results = [] for i in indices: box = boxes[i] label = f'Class {class_ids[i]}' results.append({'label': label, 'box': box}) return jsonify(results) except Exception as e: return jsonify({"error": str(e)}) if __name__ == '__main__': app.run(debug=True) ``` 上述代码实现了基于 Flask 的 POST 请求接口 `/detect`，允许客户端发送一张图片并返回检测到的对象列表以及边界框坐标。 #### 3. 运行环境设置 按照以下步骤准备运行环境： - 创建虚拟环境并安装所需依赖包： ```bash pip install flask opencv-python-headless numpy ``` - 下载 YOLOv1 的 `.cfg` 和 `.weights` 文件，并将其放置于同一目录下[^4]。 #### 4. 测试与验证 可以通过 Postman 或 cURL 工具向服务器发送请求来测试该服务的功能。例如，使用 cURL 命令如下所示： ```bash curl -X POST http://localhost:5000/detect -F "image=@test.jpg" ``` --- ###