### 使用 OpenCV 和 YoloV8 实现行人检测的代码示例 以下是一个使用 OpenCV 和 YoloV8 进行行人检测的代码示例。YoloV8 是 Ultralytics 提供的一个强大的目标检测模型，可以高效地处理各种目标检测任务。结合 OpenCV，可以方便地进行图像或视频流的预处理和结果可视化。 ```python import cv2 from ultralytics import YOLO # 加载预训练的 YoloV8 模型 model = YOLO("yolov8n.pt") # 使用小型模型 yolov8n，可根据需求替换为其他模型[^1] # 定义行人检测的类别索引（COCO 数据集中的行人类别为 0） person_class_index = 0 # 打开摄像头或读取视频文件 cap = cv2.VideoCapture(0) # 使用 0 表示默认摄像头，也可以传入视频文件路径 while cap.isOpened(): ret, frame = cap.read() if not ret: break # 使用 YoloV8 进行推理 results = model(frame, conf=0.5)[0] # 设置置信度阈值为 0.5[^2] # 遍历检测结果，筛选出行人 for result in results.boxes.data: x1, y1, x2, y2, score, class_id = result if int(class_id) == person_class_index: # 筛选行人 # 绘制边界框 cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText( frame, f"Person: {score:.2f}", (int(x1), int(y1 - 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2, ) # 显示结果 cv2.imshow("Pedestrian Detection", frame) # 按 'q' 键退出 if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放资源 cap.release() cv2.destroyAllWindows() ``` ### 说明 - 上述代码加载了预训练的 YoloV8 模型 `yolov8n.pt`，这是一个轻量级模型，适用于实时应用。如果需要更高的精度，可以选择更大的模型如 `yolov8l.pt` 或 `yolov8x.pt`[^3]。 - 模型推理结果中包含边界框坐标、置信度分数和类别 ID。通过筛选类别 ID 为 0 的检测结果，可以实现行人检测。 - OpenCV 被用于从摄像头捕获视频帧，并将检测结果绘制在图像上[^4]。