根据你的描述，你希望使用 Keras 和 `sys.path.append("E:/utils")` 来实现画框的功能。以下是一个完整的解决方案，展示如何利用 Keras 模型进行目标检测，并结合 `utils` 文件夹中的工具函数（如 `draw_box`）来在图像或视频帧上绘制检测框。 --- ### 解决方案 #### 1. 实现代码 以下是完整的代码示例，展示如何加载模型、处理图像，并使用 `utils` 文件夹中的工具函数绘制检测框。 ```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 cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 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. **`CarDetector` 类**: - 包含了模型的初始化、权重加载、图像预处理、车辆检测和画框功能。 - 使用了 `utils` 文件夹中的工具函数，如 `load_weights` 和 `yolo_net_out_to_car_boxes`。 2. **`_build_model` 方法**: - 构建了一个简单的 YOLO Tiny 网络结构。 - 包含多个卷积层和池化层，最后通过全连接层输出检测结果。 3. **`preprocess_image` 方法**: - 将输入图像调整为模型所需的尺寸（448x448），并进行归一化处理。 4. **`detect_cars` 方法**: - 使用模型预测输入图像中的车辆位置，并返回检测框。 5. **`draw_boxes_on_image` 方法**: - 在输入图像上绘制检测框，使用 OpenCV 的 `cv2.rectangle` 方法。 6. **主程序部分**: - 初始化检测器，加载测试图像，进行车辆检测，并在图像上绘制检测框。 - 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。 --- ###