YOLO4-OPenCV4.5.1-易语言5.9.2 调用

z13228604287

  

窗口程序集名	保 留	保 留	备 注
程序集1

子程序名	返回值类型	公开	备 注
_启动子程序	整数型		本子程序在程序启动后最先执行

变量名	类 型	静态	数组	备 注
类别	字节集		0
神经网络	深度神经网络类
原图像	多维矩阵类
预处理后图像	多维矩阵类
输出尺寸	尺寸结构类
未连接输出层名称	字符串数组类
i	整数型
匹配数据	多维矩阵数组类
区域	矩形结构数组类
类名索引	整型数组类
信任度	浮点型数组类
抑制后类名索引	整型数组类
局索引	整数型
局文本	文本型
边框颜色	标量结构类
标签颜色	标量结构类
标签尺寸	尺寸结构类
标签底色起始	二维整数坐标结构类
标签底色结束	二维整数坐标结构类
局矩形	矩形结构类
标签坐标	二维整数坐标结构类

' 加载类别
类别 ＝ 分割字节集 (读入文件 (“E:\OPENCV\YOLO4\build\Release\cfg\coco.names”), { 10 }, )
' 模型设置
' ---------------------------------------模型设置---------------------------------------
神经网络.从文件加载YOLO网络模型 (“E:\OPENCV\YOLO4\build\Release\cfg\yolov4.cfg”, “E:\OPENCV\YOLO4\build\Release\yolov4.weights”)
' 预处理读取的图像，并将图像读入网络
原图像.从内存加载图片 ( #YOLO图片, #读取_不变 )
输出尺寸.宽 ＝ 608
输出尺寸.高 ＝ 608
神经网络.预处理 (原图像, 预处理后图像, 1 ÷ 255, 输出尺寸, , , , #CV_32F )
神经网络.输入数据 (预处理后图像, “”, 1)
' 获取未连接输出层
神经网络.取所有非连接的输出层 (未连接输出层名称)
计次循环首 (未连接输出层名称.取成员数 (), i)
标准输出 (, 未连接输出层名称.取成员 (i))
标准输出 (, #换行符 )
计次循环尾 ()
神经网络.正向传递数组 (匹配数据, 未连接输出层名称)
' ---------------------------------------目标检测---------------------------------------
' 找出所有的目标及其位置
神经网络.目标检测 (原图像, 匹配数据, 0.2, 区域, 类名索引, 信任度)
' 排除相同目标 置信度较低目标。
神经网络.非最大抑制 (区域, 信任度, 0.3, 0.2, 抑制后类名索引, 1)
' --------------------------------------效果展示---------------------------------------
计次循环首 (抑制后类名索引.取成员数 (), i)
局索引 ＝ 抑制后类名索引.取成员 (i)
' 取对应索引的类名称
局文本 ＝ 到文本 (类别 [类名索引.取成员 (局索引) ＋ 1])  ' 因易语言是从1开始，不是从0所以这里+1
' 取字符串的尺寸，方便后续 画底色。
标签尺寸 ＝ 图像绘制_取字符串尺寸 (局文本, #字体_无衬线字体, 0.5, 1)
局矩形 ＝ 区域.取成员 (局索引)
标签底色起始.横坐标 ＝ 局矩形.左上角X － 1
标签底色起始.纵坐标 ＝ 局矩形.左上角Y
标签底色结束.横坐标 ＝ 局矩形.左上角X ＋ 标签尺寸.宽
标签底色结束.纵坐标 ＝ 局矩形.左上角Y － 标签尺寸.高
' 为每个类设置不同的颜色
边框颜色.通道1 ＝ 局索引 × 11 ％ 256
边框颜色.通道2 ＝ 局索引 × 22 ％ 256
边框颜色.通道3 ＝ 局索引 × 33 ％ 256
标签颜色.通道1 ＝ 255 － 局索引 × 11 ％ 256
标签颜色.通道1 ＝ 255 － 局索引 × 22 ％ 256
标签颜色.通道1 ＝ 255 － 局索引 × 33 ％ 256
图像绘制_矩形 (原图像, 局矩形, 边框颜色, 2, 8)
图像绘制_矩形范围 (原图像, 标签底色起始, 标签底色结束, 边框颜色, -1, 8)
标签坐标.横坐标 ＝ 局矩形.左上角X
标签坐标.纵坐标 ＝ 局矩形.左上角Y － 2
图像绘制_文字 (原图像, 局文本, 标签坐标, #字体_无衬线字体, 0.5, 标签颜色, 1, 8)
计次循环尾 ()
原图像.显示图像 (“处理后图像”)
窗口_等待按键 ()
返回 (0)

.版本 2<br /> <br /> .程序集 程序集1<br /> <br /> .子程序 _启动子程序, 整数型, , 本子程序在程序启动后最先执行<br /> .局部变量 类别, 字节集, , "0"<br /> .局部变量 神经网络, 深度神经网络类<br /> .局部变量 原图像, 多维矩阵类<br /> .局部变量 预处理后图像, 多维矩阵类<br /> .局部变量 输出尺寸, 尺寸结构类<br /> .局部变量 未连接输出层名称, 字符串数组类<br /> .局部变量 i, 整数型<br /> .局部变量 匹配数据, 多维矩阵数组类<br /> .局部变量 区域, 矩形结构数组类<br /> .局部变量 类名索引, 整型数组类<br /> .局部变量 信任度, 浮点型数组类<br /> .局部变量 抑制后类名索引, 整型数组类<br /> .局部变量 局索引, 整数型<br /> .局部变量 局文本, 文本型<br /> .局部变量 边框颜色, 标量结构类<br /> .局部变量 标签颜色, 标量结构类<br /> .局部变量 标签尺寸, 尺寸结构类<br /> .局部变量 标签底色起始, 二维整数坐标结构类<br /> .局部变量 标签底色结束, 二维整数坐标结构类<br /> .局部变量 局矩形, 矩形结构类<br /> .局部变量 标签坐标, 二维整数坐标结构类<br /> <br /> ' 加载类别<br /> 类别 ＝ 分割字节集 (读入文件 (“E:\OPENCV\YOLO4\build\Release\cfg\coco.names”), { 10 }, )<br /> ' 模型设置<br /> ' ---------------------------------------模型设置---------------------------------------<br /> 神经网络.从文件加载YOLO网络模型 (“E:\OPENCV\YOLO4\build\Release\cfg\yolov4.cfg”, “E:\OPENCV\YOLO4\build\Release\yolov4.weights”)<br /> ' 预处理读取的图像，并将图像读入网络<br /> 原图像.从内存加载图片 (#YOLO图片, #读取_不变)<br /> 输出尺寸.宽 ＝ 608<br /> 输出尺寸.高 ＝ 608<br /> 神经网络.预处理 (原图像, 预处理后图像, 1 ÷ 255, 输出尺寸, , , , #CV_32F)<br /> 神经网络.输入数据 (预处理后图像, “”, 1)<br /> ' 获取未连接输出层<br /> 神经网络.取所有非连接的输出层 (未连接输出层名称)<br /> .计次循环首 (未连接输出层名称.取成员数 (), i)<br />     标准输出 (, 未连接输出层名称.取成员 (i))<br />     标准输出 (, #换行符)<br /> .计次循环尾 ()<br /> 神经网络.正向传递数组 (匹配数据, 未连接输出层名称)<br /> ' ---------------------------------------目标检测---------------------------------------<br /> ' 找出所有的目标及其位置<br /> 神经网络.目标检测 (原图像, 匹配数据, 0.2, 区域, 类名索引, 信任度)<br /> ' 排除相同目标 置信度较低目标。<br /> 神经网络.非最大抑制 (区域, 信任度, 0.3, 0.2, 抑制后类名索引, 1)<br /> ' --------------------------------------效果展示---------------------------------------<br /> .计次循环首 (抑制后类名索引.取成员数 (), i)<br />     局索引 ＝ 抑制后类名索引.取成员 (i)<br />     ' 取对应索引的类名称<br />     局文本 ＝ 到文本 (类别 [类名索引.取成员 (局索引) ＋ 1])  ' 因易语言是从1开始，不是从0所以这里+1<br />     ' 取字符串的尺寸，方便后续 画底色。<br />     标签尺寸 ＝ 图像绘制_取字符串尺寸 (局文本, #字体_无衬线字体, 0.5, 1)<br />     局矩形 ＝ 区域.取成员 (局索引)<br />     标签底色起始.横坐标 ＝ 局矩形.左上角X － 1<br />     标签底色起始.纵坐标 ＝ 局矩形.左上角Y<br />     标签底色结束.横坐标 ＝ 局矩形.左上角X ＋ 标签尺寸.宽<br />     标签底色结束.纵坐标 ＝ 局矩形.左上角Y － 标签尺寸.高<br />     ' 为每个类设置不同的颜色<br />     边框颜色.通道1 ＝ 局索引 × 11 ％ 256<br />     边框颜色.通道2 ＝ 局索引 × 22 ％ 256<br />     边框颜色.通道3 ＝ 局索引 × 33 ％ 256<br />     标签颜色.通道1 ＝ 255 － 局索引 × 11 ％ 256<br />     标签颜色.通道1 ＝ 255 － 局索引 × 22 ％ 256<br />     标签颜色.通道1 ＝ 255 － 局索引 × 33 ％ 256<br />     图像绘制_矩形 (原图像, 局矩形, 边框颜色, 2, 8)<br />     图像绘制_矩形范围 (原图像, 标签底色起始, 标签底色结束, 边框颜色, -1, 8)<br />     标签坐标.横坐标 ＝ 局矩形.左上角X<br />     标签坐标.纵坐标 ＝ 局矩形.左上角Y － 2<br />     图像绘制_文字 (原图像, 局文本, 标签坐标, #字体_无衬线字体, 0.5, 标签颜色, 1, 8)<br /> .计次循环尾 ()<br /> 原图像.显示图像 (“处理后图像”)<br /> 窗口_等待按键 ()<br /> 返回 (0)

hnzc01

学习学习

huang9585

1411496704

这个能不能做试试的动态视频识别呀

csolnbma

奥术大师大所

csolnbma

奥术大师大所多

mohao

谢谢大佬，学习一下

jomswawjia

感谢分享.

xudaweia

66666666666666666

opq123

支持开源~！感谢分享

的是的

谢谢大佬，学习一下