使用Java調(diào)用Yolo模型的基本步驟
一、Yolo模型簡介
Yolo（You Only Look Once）是一種基于深度學(xué)習(xí)的目標(biāo)檢測算法，它可以在一張圖像中同時檢測出多個目標(biāo)，并給出它們的位置和類別。相比于傳統(tǒng)的目標(biāo)檢測算法，Yolo算法具有檢測速度快、精度高等優(yōu)點(diǎn)，因此在實(shí)際應(yīng)用中得到了廣泛的應(yīng)用。
二、Java調(diào)用Yolo模型的方法
在Java中調(diào)用Yolo模型，需要使用OpenCV庫。OpenCV是一個開源的計(jì)算機(jī)視覺庫，它提供了各種各樣的圖像處理和計(jì)算機(jī)視覺算法，包括圖像處理、特征提取、目標(biāo)檢測等。
下面我們將介紹如何使用Java調(diào)用Yolo模型。
1. 安裝OpenCV
首先，我們需要安裝OpenCV庫?？梢詮腛penCV官網(wǎng)（https://opencv.org/）下載OpenCV的安裝包，然后按照官方文檔進(jìn)行安裝。
2. 下載Yolo模型文件
接下來，我們需要下載Yolo模型文件?？梢詮腨olo官網(wǎng)（https://pjreddie.com/darknet/yolo/）下載預(yù)訓(xùn)練的Yolo模型文件，包括權(quán)重文件和配置文件。這些文件將用于檢測圖像中的目標(biāo)。
下面是從Yolo官網(wǎng)下載預(yù)訓(xùn)練模型文件的詳細(xì)步驟：
1. 打開Yolo官網(wǎng)（https://pjreddie.com/darknet/yolo/）。
2. 點(diǎn)擊頁面上方的“Download”按鈕。
3. 在下載頁面中，找到“Pre-trained Models”部分。
4. 在“Pre-trained Models”部分中，選擇你需要下載的模型文件。例如，如果你需要下載YOLOv3模型文件，可以點(diǎn)擊“YOLOv3”鏈接。
5. 在YOLOv3模型文件下載頁面中，你會看到兩個鏈接：一個是“yolov3.weights”，另一個是“yolov3-tiny.weights”。這兩個鏈接分別對應(yīng)YOLOv3和YOLOv3-tiny模型文件。
6. 點(diǎn)擊你需要下載的模型文件鏈接，瀏覽器會自動開始下載。
7. 下載完成后，你可以將模型文件保存在你的本地計(jì)算機(jī)上，以備后續(xù)使用。
注意事項(xiàng)：
1. 下載模型文件可能需要一定的時間，具體時間取決于你的網(wǎng)絡(luò)速度和文件大小。
2. 下載的模型文件是二進(jìn)制文件，不能直接查看或編輯。如果需要使用模型文件，你需要使用相應(yīng)的深度學(xué)習(xí)框架（如TensorFlow、PyTorch等）加載模型文件，并進(jìn)行預(yù)測或訓(xùn)練等操作。
3. YOLOv3和YOLOv3-tiny模型文件的區(qū)別在于模型大小和精度。YOLOv3模型文件更大，但精度更高；YOLOv3-tiny模型文件更小，但精度較低。根據(jù)你的需求選擇合適的模型文件。
3. 編寫Java代碼
在安裝好OpenCV庫和下載好Yolo模型文件之后，我們就可以開始編寫Java代碼了。
首先，我們需要加載Yolo模型文件。可以使用OpenCV提供的Dnn模塊來加載模型文件。具體代碼如下：
String modelConfiguration = "path/to/yolov3.cfg"; String modelWeights = "path/to/yolov3.weights"; Net net = Dnn.readNetFromDarknet(modelConfiguration, modelWeights);
其中，modelConfiguration是Yolo模型的配置文件路徑，modelWeights是Yolo模型的權(quán)重文件路徑。Net是OpenCV中的一個類，它表示一個神經(jīng)網(wǎng)絡(luò)模型。
接下來，我們需要讀取圖像并進(jìn)行目標(biāo)檢測?？梢允褂肙penCV提供的Imgcodecs模塊來讀取圖像，使用Dnn模塊來進(jìn)行目標(biāo)檢測。具體代碼如下：
String imagePath = "path/to/image.jpg"; Mat image = Imgcodecs.imread(imagePath); Mat blob = Dnn.blobFromImage(image, 1/255.0, new Size(416, 416), new Scalar(0,0,0), true, false); net.setInput(blob); List<Mat> outputs = new ArrayList<>(); List<String> outNames = net.getUnconnectedOutLayersNames(); net.forward(outputs, outNames);
其中，imagePath是待檢測的圖像路徑，image是讀取的圖像。blobFromImage方法將圖像轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)的輸入格式。Size表示輸入圖像的大小，Scalar表示輸入圖像的均值。net.setInput方法將輸入數(shù)據(jù)設(shè)置為神經(jīng)網(wǎng)絡(luò)的輸入。getUnconnectedOutLayersNames方法獲取神經(jīng)網(wǎng)絡(luò)的輸出層名稱。forward方法將輸入數(shù)據(jù)傳遞給神經(jīng)網(wǎng)絡(luò)，并獲取輸出結(jié)果。
最后，我們需要解析輸出結(jié)果并繪制檢測框。具體代碼如下：
float confThreshold = 0.5f;
List<Integer> classIds = new ArrayList<>();
List<Float> confidences = new ArrayList<>();
List<Rect> boxes = new ArrayList<>();
for (int i = 0; i < outputs.size(); ++i) {
Mat output = outputs.get(i);
for (int j = 0; j < output.rows(); ++j) {
Mat row = output.row(j);
Mat scores = row.colRange(5, output.cols());
Core.MinMaxLocResult mm = Core.minMaxLoc(scores);
float confidence = (float) mm.maxVal;
Point classIdPoint = mm.maxLoc;
if (confidence > confThreshold) {
int centerX = (int) (row.get(0, 0)[0] * image.cols());
int centerY = (int) (row.get(0, 1)[0] * image.rows());
int width = (int) (row.get(0, 2)[0] * image.cols());
int height = (int) (row.get(0, 3)[0] * image.rows());
int left = centerX - width / 2;
int top = centerY - height / 2;
classIds.add((int) classIdPoint.x);
confidences.add(confidence);
boxes.add(new Rect(left, top, width, height));
}
}
}
Mat labels = new Mat();
MatOfFloat confidencesMat = new MatOfFloat(Converters.vector_float_to_Mat(confidences));
MatOfInt indices = new MatOfInt();
Dnn.NMSBoxes(boxes, confidencesMat, confThreshold, 0.4f, indices);
for (int i = 0; i < indices.total(); ++i) {
int idx = (int) indices.get(i, 0)[0];
Rect box = boxes.get(idx);
Imgproc.rectangle(image, box.tl(), box.br(), new Scalar(0, 255, 0), 2);
}其中，confThreshold是置信度閾值，classIds表示檢測到的目標(biāo)類別，confidences表示檢測到的目標(biāo)置信度，boxes表示檢測到的目標(biāo)框。MinMaxLocResult表示最大值和最小值的位置和值。NMSBoxes方法對檢測框進(jìn)行非極大值抑制，去除重疊的框。
我們可以將檢測結(jié)果保存到文件或顯示在屏幕上。具體代碼如下：
String outputImagePath = "path/to/output/image.jpg"; Imgcodecs.imwrite(outputImagePath, image);
三、Yolo模型的應(yīng)用場景
Yolo模型是一種高效的目標(biāo)檢測算法，因此在許多領(lǐng)域都有廣泛的應(yīng)用。以下是一些常見的應(yīng)用場景：
1. 自動駕駛
自動駕駛是Yolo模型的一個重要應(yīng)用場景。通過使用Yolo模型，自動駕駛汽車可以實(shí)時檢測道路上的車輛、行人、交通標(biāo)志等物體，從而更好地控制車輛的行駛。
2. 安防監(jiān)控
在安防監(jiān)控領(lǐng)域，Yolo模型可以用于實(shí)時檢測和跟蹤人員、車輛等物體，從而提高監(jiān)控系統(tǒng)的效率和準(zhǔn)確性。例如，在商場、銀行等公共場所，Yolo模型可以用于檢測和跟蹤可疑人員，從而提高安全性。
3. 醫(yī)療診斷
在醫(yī)療診斷領(lǐng)域，Yolo模型可以用于檢測和識別醫(yī)學(xué)圖像中的病變和異常，從而幫助醫(yī)生更準(zhǔn)確地診斷疾病。例如，在CT掃描和X光檢查中，Yolo模型可以用于檢測和識別腫瘤、結(jié)節(jié)等異常。
4. 工業(yè)生產(chǎn)
在工業(yè)生產(chǎn)領(lǐng)域，Yolo模型可以用于檢測和識別生產(chǎn)線上的物體，從而提高生產(chǎn)效率和質(zhì)量。例如，在電子工廠中，Yolo模型可以用于檢測和識別電子元器件，從而提高生產(chǎn)線的效率和準(zhǔn)確性。
四、總結(jié)
Yolo模型是一種高效的目標(biāo)檢測算法，具有快速、準(zhǔn)確、實(shí)時等優(yōu)點(diǎn)。通過使用Java調(diào)用Yolo模型，我們可以在Java應(yīng)用程序中實(shí)現(xiàn)目標(biāo)檢測功能，從而滿足各種應(yīng)用場景的需求。在未來，隨著人工智能技術(shù)的不斷發(fā)展，Yolo模型將在更多領(lǐng)域得到廣泛應(yīng)用，為人們的生活和工作帶來更多的便利和效益。
五、示例代碼
以下是一個使用Java調(diào)用YOLO進(jìn)行目標(biāo)檢測的示例代碼：
import org.bytedeco.javacpp.Loader;
import org.bytedeco.opencv.global.opencv_core;
import org.bytedeco.opencv.opencv_core.*;
import org.bytedeco.opencv.opencv_dnn.Net;
import org.bytedeco.opencv.opencv_dnn.Net.LayerId;
import org.bytedeco.opencv.opencv_dnn.Size;
import org.bytedeco.opencv.opencv_imgcodecs.Imgcodecs;
import org.bytedeco.opencv.opencv_imgproc.Imgproc;
import java.io.File;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.util.ArrayList;
import java.util.List;
public class YoloDetector {
private static final String MODEL_PATH = "yolov3.weights";
private static final String CONFIG_PATH = "yolov3.cfg";
private static final String[] CLASSES = {"person", "bicycle", "car", "motorbike", "aeroplane", "bus", "train", "truck", "boat", "traffic light", "fire hydrant", "stop sign", "parking meter", "bench", "bird", "cat", "dog", "horse", "sheep", "cow", "elephant", "bear", "zebra", "giraffe", "backpack", "umbrella", "handbag", "tie", "suitcase", "frisbee", "skis", "snowboard", "sports ball", "kite", "baseball bat", "baseball glove", "skateboard", "surfboard", "tennis racket", "bottle", "wine glass", "cup", "fork", "knife", "spoon", "bowl", "banana", "apple", "sandwich", "orange", "broccoli", "carrot", "hot dog", "pizza", "donut", "cake", "chair", "sofa", "pottedplant", "bed", "diningtable", "toilet", "tvmonitor", "laptop", "mouse", "remote", "keyboard", "cell phone", "microwave", "oven", "toaster", "sink", "refrigerator", "book", "clock", "vase", "scissors", "teddy bear", "hair drier", "toothbrush"};
public static void main(String[] args) {
// Load the OpenCV and YOLO libraries
Loader.load(org.bytedeco.opencv.global.opencv_core.class);
Loader.load(org.bytedeco.opencv.global.opencv_imgproc.class);
Loader.load(org.bytedeco.opencv.global.opencv_imgcodecs.class);
Loader.load(org.bytedeco.opencv.global.opencv_dnn.class);
// Load the YOLO model
Net net = loadModel();
// Load the input image
Mat image = Imgcodecs.imread("input.jpg");
// Perform object detection
List<Mat> detections = detectObjects(net, image);
// Draw bounding boxes around the detected objects
drawBoundingBoxes(image, detections);
// Save the output image
Imgcodecs.imwrite("output.jpg", image);
}
private static Net loadModel() {
// Load the model and configuration files
File modelFile = new File(MODEL_PATH);
File configFile = new File(CONFIG_PATH);
// Create a new network from the model and configuration files
Net net = new Net();
net.readFromDarknet(configFile.getAbsolutePath(), modelFile.getAbsolutePath());
// Set the backend and target to use OpenCV
net.setPreferableBackend(org.bytedeco.opencv.global.opencv_dnn.DNN_BACKEND_OPENCV);
net.setPreferableTarget(org.bytedeco.opencv.global.opencv_dnn.DNN_TARGET_CPU);
return net;
}
private static List<Mat> detectObjects(Net net, Mat image) {
// Create a blob from the input image
Mat blob = org.bytedeco.opencv.global.opencv_dnn.blobFromImage(image, 1 / 255.0, new Size(416, 416), new Scalar(0, 0, 0), true, false);
// Set the input to the network
net.setInput(blob);
// Get the output layers of the network
List<LayerId> outLayers = new ArrayList<>();
outLayers.add(new LayerId(net.getLayerId("yolo_82")));
outLayers.add(new LayerId(net.getLayerId("yolo_94")));
outLayers.add(new LayerId(net.getLayerId("yolo_106")));
// Perform forward pass through the network
List<Mat> detections = new ArrayList<>();
net.forward(detections, outLayers);
return detections;
}
private static void drawBoundingBoxes(Mat image, List<Mat> detections) {
// Loop over the detections
for (Mat detection : detections) {
// Loop over the rows of the detection
for (int i = 0; i < detection.rows(); i++) {
// Get the confidence and class ID of the detection
float[] data = new float[5];
detection.get(i, 0, data);
float confidence = data[4];
int classId = (int) data[1];
// Filter out weak detections
if (confidence > 0.5) {
// Get the bounding box coordinates
int centerX = (int) (data[0] * image.cols());
int centerY = (int) (data[1] * image.rows());
int width = (int) (data[2] * image.cols());
int height = (int) (data[3] * image.rows());
int left = centerX - width / 2;
int top = centerY - height / 2;
// Draw the bounding box
Rect rect = new Rect(left, top, width, height);
Imgproc.rectangle(image, rect, new Scalar(0, 255, 0), 2);
// Draw the class label
String label = CLASSES[classId];
int[] baseLine = new int[1];
Size labelSize = Imgproc.getTextSize(label, Imgproc.FONT_HERSHEY_SIMPLEX, 0.5, 1, baseLine);
Imgproc.rectangle(image, new Point(left, top - labelSize.height - 5), new Point(left + labelSize.width, top), new Scalar(0, 255, 0), -1);
Imgproc.putText(image, label, new Point(left, top - 5), Imgproc.FONT_HERSHEY_SIMPLEX, 0.5, new Scalar(255, 255, 255), 1);
}
}
}
}
}這段代碼使用了OpenCV和YOLO，可以在本地讀取一張圖片，調(diào)用YOLO進(jìn)行目標(biāo)檢測，并將檢測結(jié)果保存到本地。請注意，您需要下載YOLO的權(quán)重文件和配置文件，并將它們放在與代碼相同的目錄下。
七、DL4J
要使用Java調(diào)用yolo訓(xùn)練好的.pt模型，需要使用Java深度學(xué)習(xí)框架，如DL4J、Deeplearning4j等。這里以DL4J為例，介紹如何使用Java調(diào)用yolo訓(xùn)練好的.pt模型，并設(shè)計(jì)封裝成一個可執(zhí)行軟件.exe。
1. 下載yolo的.pt模型和對應(yīng)的配置文件，可以從yolo官網(wǎng)下載或者使用其他開源項(xiàng)目提供的模型和配置文件。
2. 安裝DL4J，可以從DL4J官網(wǎng)下載或者使用Maven進(jìn)行安裝。
3. 使用DL4J加載yolo的.pt模型和配置文件，可以使用以下代碼：
Yolo2Model yoloModel = new Yolo2Model(); yoloModel.initTiny(); ComputationGraph computationGraph = (ComputationGraph) yoloModel.getModel();
4. 使用DL4J對圖像進(jìn)行預(yù)測，可以使用以下代碼：
INDArray input = Nd4j.create(imageData); INDArray[] output = computationGraph.output(input);
其中，imageData是輸入圖像的數(shù)據(jù)，output是輸出的預(yù)測結(jié)果。
5. 將預(yù)測結(jié)果進(jìn)行解析，可以使用以下代碼：
YoloUtils.getPredictedObjects(labels, output, 0.6, 0.4);
其中，labels是類別標(biāo)簽，0.6是閾值，0.4是NMS（非極大值抑制）的閾值。
6. 將以上代碼封裝成一個可執(zhí)行軟件.exe，可以使用Java打包工具，如Maven、Gradle等進(jìn)行打包。
以上是使用DL4J調(diào)用yolo訓(xùn)練好的.pt模型的基本步驟，具體實(shí)現(xiàn)還需要根據(jù)實(shí)際情況進(jìn)行調(diào)整和優(yōu)化。
到此這篇關(guān)于使用Java調(diào)用Yolo模型的方法與步驟的文章就介紹到這了,更多相關(guān)Java調(diào)用Yolo模型內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要給大家介紹了關(guān)于SpringBoot輕松整合MongoDB的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01
Spring Boot 使用 Swagger 構(gòu)建 RestAPI 接口文檔
這篇文章主要介紹了Spring Boot 使用 Swagger 構(gòu)建 RestAPI 接口文檔，幫助大家更好的理解和使用Spring Boot框架，感興趣的朋友可以了解下2020-10-10
利用spring的攔截器自定義緩存的實(shí)現(xiàn)實(shí)例代碼
這篇文章主要介紹了利用spring的攔截器自定義緩存的實(shí)現(xiàn)實(shí)例代碼，分享了相關(guān)代碼示例，小編覺得還是挺不錯的，具有一定借鑒價(jià)值，需要的朋友可以參考下2018-02-02
vue+springboot前后端分離工程跨域問題解決方案解析
這篇文章主要介紹了vue+springboot前后端分離工程跨域問題解決方案解析,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-03-03
mybatis-plus-boot-starter包與mybatis-plus-generator的沖突解決
本文主要介紹了mybatis-plus-boot-starter包與mybatis-plus-generator的沖突解決,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-10-10
java自定義驗(yàn)證器的實(shí)現(xiàn)示例
在對外暴露接口中，我們通常會對入?yún)⑦M(jìn)行驗(yàn)證，比如一些字符串非空判斷等，本文主要介紹了java自定義驗(yàn)證器的實(shí)現(xiàn)示例，具有一定的參考價(jià)值，感興趣的可以了解一下2024-01-01
這篇文章主要為大家詳細(xì)介紹了java ThreadLocal的使用案例，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-03-03
logback是一個功能強(qiáng)大的Java日志框架,它是log4j的繼任者,提供了豐富的功能和配置選項(xiàng),本文將介紹Logback將日志輸出到Kafka配置示例,感興趣的朋友一起看看吧2024-12-12
這篇文章主要為大家介紹了java圖論普利姆算法及克魯斯卡算法解決最小生成樹問題的示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助2021-11-11
詳解SpringBoot獲得Maven-pom中版本號和編譯時間戳
這篇文章主要介紹了詳解SpringBoot獲得Maven-pom中版本號和編譯時間戳，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-01-01