### 导入YOLO模型的.pt文件进行图像识别 为了在Python项目中导入由YOLO生成的`.pt`文件并执行图像识别，可以遵循以下方法： #### 准备工作 确保安装了必要的依赖项。对于YOLOv5及其后续版本，通常需要安装Ultralytics库以及OpenCV。 ```bash pip install ultralytics opencv-python ``` #### 加载YOLO模型 通过指定路径加载预训练的YOLO `.pt`模型。这里假设已经有一个名为`best.pt`的YOLO权重文件位于当前目录下。 ```python from ultralytics import YOLO model_path = 'path/to/best.pt' model = YOLO(model_path) ``` 此操作会初始化一个YOLO对象实例，并准备好用于推理模式下的图片分析[^2]。 #### 图像读取与预处理 使用OpenCV来加载待检测的图像数据，并将其转换成适合传递给YOLO模型的形式。 ```python import cv2 image_path = "example.jpg" img = cv2.imread(image_path) if img is None: raise ValueError(f"Image at {image_path} could not be read.") ``` 这段代码片段展示了如何利用OpenCV读取一张JPEG格式的照片作为测试样本。 #### 执行目标检测 调用YOLO模型的方法来进行实际的对象检测过程。这一步骤将返回一系列边界框坐标以及其他相关信息，比如置信度分数和类别标签。 ```python results = model(img, size=640) # 推荐设置输入尺寸为640×640像素 print(results.pandas().xyxy[0]) # 输出结果表格形式展示 ``` 上述命令中的`size`参数指定了送入网络前调整后的统一大小；而`pandas()`函数则帮助更直观地查看预测成果。 #### 可视化结果显示 最后，可以通过绘制矩形边框的方式，在原始图像上标记出被发现的目标位置。 ```python for index, row in results.pandas().xyxy[0].iterrows(): label = f'{row["name"]} {int(row["confidence"]*100)}%' plot_one_box([row['xmin'], row['ymin'], row['xmax'], row['ymax']], img, label=label, color=(0, 255, 0), line_thickness=3) cv2.imshow('Detected Image', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 辅助函数`plot_one_box`负责画出单个物体周围的方框及附加文字说明。注意这里的颜色编码采用BGR顺序[(0, 255, 0)]表示绿色线条。