Python utiliza el modelo YOLO_NAS_S para la detección de objetivos y guarda la imagen del sujeto predicha

I. Introducción:

Utilice el modelo YOLO_NAS_S para la detección de objetivos y guarde la imagen del sujeto predicha

Paquete de instalación:

pip install super_gradients
pip install omegaconf
pip install hydra-core
pip install boto3
pip install stringcase
pip install typing-extensions
pip install rapidfuzz
pip install Cython
pip install pycocotools
pip install onnx-simplifier

2. Pasos:

1. Instale las bibliotecas y los marcos necesarios. Asegúrese de haber instalado OpenCV, PyTorch y torchvision
2. Descargue el archivo de peso del modelo YOLO_NAS_S y cargue el modelo
3. Realizar preprocesamiento de imágenes. Para cada imagen de entrada, es necesario convertirla a un formato aceptable para el modelo y normalizarla.
4. Utilice el modelo para la detección de objetivos y obtenga resultados de predicción
5. Analice los resultados de la predicción y guarde la imagen principal prevista

3. Código:

from PIL import Image

import torch
from super_gradients.training import models

device = torch.device("cuda:0") if torch.cuda.is_available() else torch.device("cpu")
model = models.get("yolo_nas_s", pretrained_weights="coco").to(device)
out = model.predict(r"D:\Desktop\tp.png", conf=0.6)

predictions = out[0]
# 提取预测框对应的主体图像并保存
num = 1
for bbox in predictions.prediction.bboxes_xyxy:
    x1, y1, x2, y2 = bbox[:4]  # 每个预测框的坐标
    image = Image.open(r"D:\Desktop\tp.png")
    cropped_image = image.crop((x1, y1, x2, y2))  # 根据坐标裁剪图像
    output_path = f"output_{num}.jpg"
    cropped_image.save(output_path)  # 保存裁剪后的图像
    num += 1

Imágenes detectadas:

Predecir el efecto del sujeto:

 Si ve el código basándose en la imagen original de la siguiente manera:

from PIL import Image

import torch
from super_gradients.training import models

device = torch.device("cuda:0") if torch.cuda.is_available() else torch.device("cpu")
model = models.get("yolo_nas_s", pretrained_weights="coco").to(device)
out = model.predict(r"D:\Desktop\tp.png", conf=0.6)
out.save("save_folder_path")

resultado: