使用 YOLOv8 和 Streamlit 构建实时对象检测和跟踪应用程序：第2部分-探索模型和目标检测

**使用 YOLOv8 和 Streamlit 构建实时对象检测和跟踪应用程序：第2 部分 - 探索模型和目标检测**

在前一篇文章中，我们已经成功地将 YOLOv8 集成到 Streamlit 应用程序中，并实现了基本的实时对象检测功能。然而，仅仅使用 YOLOv8 还不足以构建一个完整的应用程序。我们还需要探索模型和目标检测，以便能够准确识别和跟踪目标。

**探索模型**

在本节，我们将探索 YOLOv8 模型的特性和优点。YOLOv8 是一种基于卷积神经网络 (CNN) 的目标检测算法，它通过预测每个网格单元中的物体坐标、尺寸和类别来实现目标检测。

**模型架构**

YOLOv8 模型的架构如下所示：

* 输入：RGB 图像* 卷积层1：32 个通道，3x3 滤波器，步长为2* 卷积层2：64 个通道，3x3 滤波器，步长为2* 卷积层3：128 个通道，3x3 滤波器，步长为2* 卷积层4：256 个通道，3x3 滤波器，步长为2* 卷积层5：512 个通道，3x3 滤波器，步长为2* 卷积层6：1024 个通道，3x3 滤波器，步长为2* 输出：预测的物体坐标、尺寸和类别**目标检测**

在本节，我们将探索 YOLOv8 的目标检测功能。YOLOv8 使用以下公式来计算目标的坐标：

* x = (x_min + x_max) /2* y = (y_min + y_max) /2* w = x_max - x_min* h = y_max - y_min其中，(x_min, y_min) 和 (x_max, y_max) 是目标的左上角和右下角坐标。

**跟踪**

在本节，我们将探索 YOLOv8 的跟踪功能。YOLOv8 使用以下公式来计算目标的速度：

* v_x = (x_t - x_{t-1}) / dt* v_y = (y_t - y_{t-1}) / dt其中，(x_t, y_t) 和 (x_{t-1}, y_{t-1}) 是当前帧和上一帧的目标坐标，dt 是时间间隔。

**代码示例**

以下是使用 YOLOv8 和 Streamlit 构建实时对象检测和跟踪应用程序的 Python代码示例：

import streamlit as stfrom PIL import Imageimport cv2import numpy as np# 加载YOLOv8模型net = cv2.dnn.readNet("yolov8s.cfg", "yolov8s.weights")

# 加载图像img = Image.open("image.jpg")
img_array = np.array(img)

# 预处理图像img_array = cv2.resize(img_array, (416,416))
img_array = img_array /255.0# 运行YOLOv8模型outputs = net.forward(img_array)

# 获取目标坐标和类别for output in outputs:
 for detection in output:
 scores = detection[5:]
 class_id = np.argmax(scores)
 confidence = scores[class_id]
 if confidence >0.5 and class_id ==0: # 只考虑车辆类别 x, y, w, h = detection[:4] *416 cv2.rectangle(img_array, (int(x), int(y)), (int(x + w), int(y + h)), (0,255,0),2)
 cv2.putText(img_array, "Car", (int(x), int(y -10)), cv2.FONT_HERSHEY_SIMPLEX,1.5, (0,255,0),3)

# 显示图像st.image(img_array)