### 使用Python实现在本地电脑上的YOLO目标检测 为了在本地计算机上使用Python实现YOLO目标检测，需先设置适当的工作环境。确保已安装合适的Python版本[^2]。 #### 安装必要的依赖项 对于YOLO模型的支持，除了Python外还需要其他工具包支持，比如PyTorch用于提供深度学习框架功能以及OpenCV处理图像数据。具体来说： - **Anaconda**: 推荐通过Anaconda管理虚拟环境和软件包。 - **CUDA (可选)**: 如果有NVIDIA GPU，则应配置相应的CUDA版本以便加速计算性能；注意不同版本间的兼容性问题。 - **PyTorch**: YOLO通常构建于PyTorch之上，因此需要按照官方指南正确安装适合当前系统的PyTorch版本。 创建一个新的Conda环境并激活它之后，可以通过pip命令来安装所需的库文件： ```bash conda create --name yolov_env python=3.9 conda activate yolov_env pip install opencv-python torch torchvision torchaudio ``` #### 下载预训练好的YOLO权重文件 访问YOLO项目主页获取最新版的预训练模型参数，并将其放置在一个易于访问的位置。例如下载v5或更高版本的YOLO网络结构及其对应的COCO数据集下的最佳权重。 #### 编写简单的测试脚本 下面给出一段基础代码片段展示如何加载YOLO模型并对单张图片执行预测操作： ```python import cv2 from pathlib import Path import torch from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords from utils.datasets import letterbox def load_model(weights_path='yolov5s.pt'): device = 'cuda' if torch.cuda.is_available() else 'cpu' model = attempt_load(Path(weights_path), map_location=device) # 加载模型 return model.eval().to(device) def predict_image(image_file, conf_thres=0.4, iou_thres=0.45): img_size = 640 stride = int(model.stride.max()) # 模型的最大步幅 im0 = cv2.imread(str(image_file)) img = letterbox(im0, new_shape=img_size)[0] img = img[:, :, ::-1].transpose(2, 0, 1).copy() img = torch.from_numpy(img).float().div_(255.).unsqueeze(0) pred = model(img.to(next(model.parameters()).device))[0] det = non_max_suppression(pred, conf_thres, iou_thres)[0] if det is not None and len(det): det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round() for *xyxy, conf, cls in reversed(det): label = f'{model.names[int(cls)]} {conf:.2f}' plot_one_box(xyxy, im0, label=label, color=(0, 255, 0)) return im0 if __name__ == '__main__': weights = './weights/yolov5s.pt' # 权重路径 image_path = './data/images/zidane.jpg' model = load_model(weights) result_img = predict_image(image_path) cv2.imshow('Result', result_img) cv2.waitKey(0) ``` 这段代码实现了从读取输入图像到应用YOLO进行对象分类的过程，并最终显示带有标注框的结果图象[^1]。