大漠yolo如何不绑定窗口调用

h5ed5y

我想识别我提供的图片，我看大漠的yolo没办法直接提供图片识别，必须要绑定窗口后才可以
我想多线程识别实现这个功能
识别成功吧标识数据在保存到大漠yolo综合工具的目录下，后期直接训练就可以了

花间一壶酒

并不支持多线程  大漠的yolo是一个公共的对象  所有线程都是调用的同一个对象  即使是多线程调用  也只是按顺序一个一个识别

编程阿狸

并不支持多线程  大漠的yolo是一个公共的对象  所有线程都是调用的同一个对象  即使是多线程调用  也只是按顺序一个一个识别

h5ed5y

花间一壶酒 发表于 2025-2-17 19:25
并不支持多线程  大漠的yolo是一个公共的对象  所有线程都是调用的同一个对象  即使是多线程调用  也只是按 ...

那我要怎么才可以不绑定窗口直接调用yolo的识别功能

花间一壶酒

h5ed5y 发表于 2025-2-19 15:52
那我要怎么才可以不绑定窗口直接调用yolo的识别功能

绑定桌面呗

补充内容 (2025-2-19 19:05):
用前台模式  绑定桌面的句柄

h5ed5y

我自己已经解决了，我调用PYTHON代码可以不需要注册大漠就实现识别并且把标识数据保存到大漠官方的文档里面

[Python] 纯文本查看 复制代码

# detect_custom.py
import sys
import argparse
import cv2
import numpy as np
import onnxruntime as ort
import torch
from pathlib import Path

# ====== 极速配置 ======
sys.path.insert(0, r"C:\Users\x2719\Desktop\易\大漠yolo\yolo\yolov5-7.0")
from utils.general import non_max_suppression, scale_boxes

# 硬件加速初始化
cv2.setUseOptimized(True)  # 启用OpenCV优化
cv2.setNumThreads(4)       # 限制OpenCV线程数

def load_model(onnx_path):
    """极速模型加载 (4线程+内存预分配)"""
    options = ort.SessionOptions()
    options.intra_op_num_threads = 4    # 并行计算线程
    options.enable_cpu_mem_arena = True # 预分配内存池
    return ort.InferenceSession(onnx_path, providers=['CPUExecutionProvider'], sess_options=options)

def detect(img_path, model_path, conf=0.4, iou=0.4):
    """全流程硬件加速"""
    # 极速图像加载 (避免文件锁)
    img0 = cv2.imdecode(np.fromfile(img_path, dtype=np.uint8, count=-1, offset=0), cv2.IMREAD_UNCHANGED)
    if img0 is None:
        raise ValueError("图像读取失败: 可能路径含中文或特殊字符")
    
    # 快速预处理 (固定640x640)
    h, w = img0.shape[:2]
    scale = 640 / max(h, w)
    img = cv2.resize(img0, (int(w*scale), int(h*scale)), interpolation=cv2.INTER_LINEAR)
    img = np.ascontiguousarray(cv2.copyMakeBorder(img, 0, 640-img.shape[0], 0, 640-img.shape[1], 
                                                 cv2.BORDER_CONSTANT, value=(114,114,114)))
    blob = img.transpose(2,0,1)[None].astype(np.float32) / 255.0  # 归一化 (0~1)

    # 推理 (内存复用)
    session = load_model(model_path)
    outputs = session.run(None, {session.get_inputs()[0].name: blob})
    
    # 零拷贝后处理
    with torch.no_grad():  # 禁用梯度计算
        pred = torch.tensor(outputs[0], device='cpu')
        pred = non_max_suppression(pred, conf, iou, classes=None)[0]
    
    if pred is not None and len(pred):
        pred[:, :4] = scale_boxes((640,640), pred[:, :4], img0.shape[:2]).round()
    
    return pred.numpy() if pred is not None else np.array([]), img0.shape

def save_results(detections, output_path, img_shape):
    """二进制写入加速"""
    h, w = img_shape[:2]
    buffer = []
    for det in detections:
        x1, y1, x2, y2, conf, cls = det
        xc = ((x1 + x2) / 2) / w
        yc = ((y1 + y2) / 2) / h
        nw = (x2 - x1) / w
        nh = (y2 - y1) / h
        buffer.append(f"{int(cls)} {xc:.6f} {yc:.6f} {nw:.6f} {nh:.6f} {conf:.6f}\n")
    with open(output_path, 'w', buffering=8192) as f:  # 8KB缓冲
        f.writelines(buffer)

if __name__ == "__main__":
    # 极简参数解析
    parser = argparse.ArgumentParser()
    parser.add_argument('--model', required=True)
    parser.add_argument('--img', required=True)
    parser.add_argument('--output', required=True)
    parser.add_argument('--conf', type=float, default=0.4)
    parser.add_argument('--iou', type=float, default=0.4)
    args = parser.parse_args()

    # 无异常包装 (减少try开销)
    detections, img_shape = detect(args.img, args.model, args.conf, args.iou)
    if detections.size:
        save_results(detections, args.output, img_shape)
        print(f"检测完成: {len(detections)}个目标")
    else:
        Path(args.output).touch(exist_ok=True)
        print("未检测到目标")