YOLO8 V0.00 - OPenCV4.8.1- 易语言5.9.3 调用方法

z13228604287

  

数据类型名	公开	备 注
检测预测结构
成员名	类 型	传址	数组	备 注
结果类别id	整数型
结果置信度	小数型
矩形框	矩形2i类

i支持库列表	支持库注释
OpenCV	(未知支持库)

.版本 2<br /> .支持库 OpenCV<br /> <br /> .数据类型 检测预测结构, 公开<br />     .成员 结果类别id, 整数型<br />     .成员 结果置信度, 小数型<br />     .成员 矩形框, 矩形2i类

  

窗口程序集名	保 留	保 留	备 注
YOLOV8
变量名	类 型	数组	备 注
置信阈值	小数型
抑制阈值	小数型
网络输入宽	整数型		ONNX图片输入宽度
网络输入高	整数型		ONNX图片输入高度
DNN网络	网络类

子程序名	返回值类型	公开	备 注
_初始化			当基于本类的对象被创建后，此方法会被自动调用

置信阈值 ＝ 0.25
抑制阈值 ＝ 0.7
网络输入宽 ＝ 640
网络输入高 ＝ 640

子程序名	返回值类型	公开	备 注
_销毁			当基于本类的对象被销毁前，此方法会被自动调用

子程序名	返回值类型	公开	备 注
图片到方形	多维矩阵类
参数名	类 型	参考	可空	数组	备 注
图片	多维矩阵类

变量名	类 型	静态	数组	备 注
返回图	多维矩阵类
列	整数型
行	整数型
最大值	整数型

列 ＝ 图片.列数 ()
行 ＝ 图片.行数 ()
最大值 ＝ 视觉_取最大值 (列, 行)
返回图.初始化0 (最大值, 最大值, #Cv无符号字节型_三通道 )
图片.复制 (返回图.感兴区域 (矩形2i (0, 0, 列, 行)), )
返回 (返回图)

子程序名	返回值类型	公开	备 注
读模型
参数名	类 型	参考	可空	数组	备 注
模型	文本型

DNN网络 ＝ 视觉_从ONNX读取网络 (模型)
DNN网络.设置首选后端 ( #网络_后端_默认 )
DNN网络.设置首选目备 ( #网络_目标_CPU )

子程序名	返回值类型	公开	备 注
检测
参数名	类 型	参考	可空	数组	备 注
图片	多维矩阵类
类数	整数型
模型置信度阈值	双精度小数型
预测结果	检测预测结构

变量名	类 型	静态	数组	备 注
二进制对象	多维矩阵类
网络层	多维矩阵类		0
行数	整数型			行数
尺寸	整数型			尺寸
数据指针	小数型指针类
x_因子	小数型
y_因子	小数型
数_步	整数型
n	整数型
分数矩阵	多维矩阵类
最大类得分	双精度小数型
类ID	点2i类
得分数组	小数型		0
预测框数组	矩形2i类		0
类ID数组	整数型		0
x	小数型
y	小数型
w	小数型
h	小数型
左边	整数型
顶边	整数型
宽	整数型
高	整数型
指数	整数型		0
i	整数型
索引	整数型
筛选结果	检测预测结构

图片 ＝ 图片到方形 (图片)
视觉_图像前景目标S (图片, 二进制对象, 1 ÷ 255, 尺寸2i (网络输入宽, 网络输入高), 标量 (), 真, 假, #Cv小数型 )
DNN网络.设置输入 (二进制对象, “”, 1, )
DNN网络.前向计算V (网络层, DNN网络.获取未连接的输出层名称 ())
' yolov8的输出为shape（batchSize，8400）（类数+框[x，y，w，h]）
行数 ＝ 网络层 [1].维度元素数 (2)
尺寸 ＝ 网络层 [1].维度元素数 (1)
网络层 [1] ＝ 网络层 [1].重塑 (1, 尺寸)
视觉_变换 (网络层 [1], 网络层 [1])
数据指针.指针 ＝ 网络层 [1].数据指针 ()
' 多维矩阵类 检测输出(8400, 84, CV_32FC1, data);// 8400 = 80*80+40*40+20*20
x_因子 ＝ 图片.列数 () ÷ 网络输入宽
y_因子 ＝ 图片.行数 () ÷ 网络输入高
变量循环首 (0, 行数 － 1, 1, n)
分数矩阵.初始化指针 (1, 类数, #Cv小数型_单通道, 数据指针.指针 ＋ 16)
视觉_最小最大位置 (分数矩阵, , 最大类得分, , 类ID, )
如果真 (最大类得分 ＞ 模型置信度阈值)
加入成员 (得分数组, 最大类得分)
加入成员 (类ID数组, 类ID.左边)
x ＝ 数据指针.读 (0)
y ＝ 数据指针.读 (1)
w ＝ 数据指针.读 (2)
h ＝ 数据指针.读 (3)
左边 ＝ 取整 ( (x － 0.5 × w) × x_因子)
顶边 ＝ 取整 ( (y － 0.5 × h) × y_因子)
宽 ＝ 取整 (w × x_因子)
高 ＝ 取整 (h × y_因子)
加入成员 (预测框数组, 矩形2i (左边, 顶边, 宽, 高))
数据指针.偏移 (尺寸)
变量循环尾 ()
' 执行非最大抑制以消除具有较低置信度的冗余重叠框（NMS）
视觉_非最大抑制 (预测框数组, 得分数组, 置信阈值, 抑制阈值, 指数, 1, 0)
计次循环首 (取数组成员数 (指数), i)
索引 ＝ 指数 [i] ＋ 1
筛选结果.结果类别id ＝ 类ID数组 [索引] ＋ 1
筛选结果.结果置信度 ＝ 得分数组 [索引]
筛选结果.矩形框 ＝ 预测框数组 [索引]
加入成员 (预测结果, 筛选结果)
计次循环尾 ()

子程序名	返回值类型	公开	备 注
绘制
参数名	类 型	参考	可空	数组	备 注
图	多维矩阵类
类名数组	文本型
预测结果	检测预测结构
颜色	标量类

变量名	类 型	静态	数组	备 注
i	整数型
预测对象	检测预测结构
预测框	矩形2i类
对象颜色	标量类
类文本	文本型
类文本尺寸	尺寸2i类
类文本矩形	矩形2i类

计次循环首 (取数组成员数 (预测结果), i)
预测对象 ＝ 预测结果 [i]
预测框 ＝ 预测对象.矩形框
对象颜色 ＝ 颜色 [预测对象.结果类别id]
' 检测框
视觉_矩形 (图, 预测框, 对象颜色, 1, 8, 0)
' 检测框文本
类文本 ＝ 类名数组 [预测对象.结果类别id] ＋ “ ” ＋ 到文本 (四舍五入 (预测对象.结果置信度, 4))
类文本尺寸 ＝ 视觉_获取文本尺寸 (类文本, 2, 1, 2, )
类文本矩形.初始化 (预测框.左边, 预测框.顶边 － 40, 类文本尺寸.宽 ＋ 10, 类文本尺寸.高 ＋ 20)
视觉_矩形 (图, 类文本矩形, 对象颜色, #线类型_填充, 8, 0)
视觉_放置文本 (图, 类文本, 点2i (预测框.左边 ＋ 5, 预测框.顶边 － 10), 2, 1, 标量 (0, 0, 0), 2, 0, 假)
计次循环尾 ()

i支持库列表	支持库注释
OpenCV	(未知支持库)

.版本 2<br /> .支持库 OpenCV<br /> <br /> .程序集 YOLOV8<br /> .程序集变量 置信阈值, 小数型<br /> .程序集变量 抑制阈值, 小数型<br /> .程序集变量 网络输入宽, 整数型, , , ONNX图片输入宽度<br /> .程序集变量 网络输入高, 整数型, , , ONNX图片输入高度<br /> .程序集变量 DNN网络, 网络类<br /> <br /> .子程序 _初始化, , , 当基于本类的对象被创建后，此方法会被自动调用<br /> <br /> 置信阈值 ＝ 0.25<br /> 抑制阈值 ＝ 0.7<br /> 网络输入宽 ＝ 640<br /> 网络输入高 ＝ 640<br /> <br /> <br /> .子程序 _销毁, , , 当基于本类的对象被销毁前，此方法会被自动调用<br /> <br /> <br /> <br /> .子程序 图片到方形, 多维矩阵类<br /> .参数 图片, 多维矩阵类<br /> .局部变量 返回图, 多维矩阵类<br /> .局部变量 列, 整数型<br /> .局部变量 行, 整数型<br /> .局部变量 最大值, 整数型<br /> <br /> 列 ＝ 图片.列数 ()<br /> 行 ＝ 图片.行数 ()<br /> 最大值 ＝ 视觉_取最大值 (列, 行)<br /> 返回图.初始化0 (最大值, 最大值, #Cv无符号字节型_三通道)<br /> 图片.复制 (返回图.感兴区域 (矩形2i (0, 0, 列, 行)), )<br /> 返回 (返回图)<br /> <br /> .子程序 读模型, , 公开<br /> .参数 模型, 文本型<br /> <br /> DNN网络 ＝ 视觉_从ONNX读取网络 (模型)<br /> DNN网络.设置首选后端 (#网络_后端_默认)<br /> DNN网络.设置首选目备 (#网络_目标_CPU)<br /> <br /> <br /> .子程序 检测, , 公开<br /> .参数 图片, 多维矩阵类<br /> .参数 类数, 整数型<br /> .参数 模型置信度阈值, 双精度小数型<br /> .参数 预测结果, 检测预测结构, 数组<br /> .局部变量 二进制对象, 多维矩阵类<br /> .局部变量 网络层, 多维矩阵类, , "0"<br /> .局部变量 行数, 整数型, , , 行数<br /> .局部变量 尺寸, 整数型, , , 尺寸<br /> .局部变量 数据指针, 小数型指针类<br /> .局部变量 x_因子, 小数型<br /> .局部变量 y_因子, 小数型<br /> .局部变量 数_步, 整数型<br /> .局部变量 n, 整数型<br /> .局部变量 分数矩阵, 多维矩阵类<br /> .局部变量 最大类得分, 双精度小数型<br /> .局部变量 类ID, 点2i类<br /> .局部变量 得分数组, 小数型, , "0"<br /> .局部变量 预测框数组, 矩形2i类, , "0"<br /> .局部变量 类ID数组, 整数型, , "0"<br /> .局部变量 x, 小数型<br /> .局部变量 y, 小数型<br /> .局部变量 w, 小数型<br /> .局部变量 h, 小数型<br /> .局部变量 左边, 整数型<br /> .局部变量 顶边, 整数型<br /> .局部变量 宽, 整数型<br /> .局部变量 高, 整数型<br /> .局部变量 指数, 整数型, , "0"<br /> .局部变量 i, 整数型<br /> .局部变量 索引, 整数型<br /> .局部变量 筛选结果, 检测预测结构<br /> <br /> 图片 ＝ 图片到方形 (图片)<br /> 视觉_图像前景目标S (图片, 二进制对象, 1 ÷ 255, 尺寸2i (网络输入宽, 网络输入高), 标量 (), 真, 假, #Cv小数型)<br /> DNN网络.设置输入 (二进制对象, “”, 1, )<br /> DNN网络.前向计算V (网络层, DNN网络.获取未连接的输出层名称 ())<br /> ' yolov8的输出为shape（batchSize，8400）（类数+框[x，y，w，h]）<br /> 行数 ＝ 网络层 [1].维度元素数 (2)<br /> 尺寸 ＝ 网络层 [1].维度元素数 (1)<br /> 网络层 [1] ＝ 网络层 [1].重塑 (1, 尺寸)<br /> 视觉_变换 (网络层 [1], 网络层 [1])<br /> 数据指针.指针 ＝ 网络层 [1].数据指针 ()<br /> ' 多维矩阵类 检测输出(8400, 84, CV_32FC1, data);// 8400 = 80*80+40*40+20*20<br /> x_因子 ＝ 图片.列数 () ÷ 网络输入宽<br /> y_因子 ＝ 图片.行数 () ÷ 网络输入高<br /> .变量循环首 (0, 行数 － 1, 1, n)<br />     分数矩阵.初始化指针 (1, 类数, #Cv小数型_单通道, 数据指针.指针 ＋ 16)<br />     视觉_最小最大位置 (分数矩阵, , 最大类得分, , 类ID, )<br />     .如果真 (最大类得分 ＞ 模型置信度阈值)<br />         加入成员 (得分数组, 最大类得分)<br />         加入成员 (类ID数组, 类ID.左边)<br />         x ＝ 数据指针.读 (0)<br />         y ＝ 数据指针.读 (1)<br />         w ＝ 数据指针.读 (2)<br />         h ＝ 数据指针.读 (3)<br />         左边 ＝ 取整 ((x － 0.5 × w) × x_因子)<br />         顶边 ＝ 取整 ((y － 0.5 × h) × y_因子)<br />         宽 ＝ 取整 (w × x_因子)<br />         高 ＝ 取整 (h × y_因子)<br />         加入成员 (预测框数组, 矩形2i (左边, 顶边, 宽, 高))<br />     .如果真结束<br />     数据指针.偏移 (尺寸)<br /> .变量循环尾 ()<br /> ' 执行非最大抑制以消除具有较低置信度的冗余重叠框（NMS）<br /> 视觉_非最大抑制 (预测框数组, 得分数组, 置信阈值, 抑制阈值, 指数, 1, 0)<br /> .计次循环首 (取数组成员数 (指数), i)<br />     索引 ＝ 指数 <i> ＋ 1<br />     筛选结果.结果类别id ＝ 类ID数组 [索引] ＋ 1<br />     筛选结果.结果置信度 ＝ 得分数组 [索引]<br />     筛选结果.矩形框 ＝ 预测框数组 [索引]<br />     加入成员 (预测结果, 筛选结果)<br /> .计次循环尾 ()<br /> <br /> .子程序 绘制, , 公开<br /> .参数 图, 多维矩阵类<br /> .参数 类名数组, 文本型, 数组<br /> .参数 预测结果, 检测预测结构, 数组<br /> .参数 颜色, 标量类, 数组<br /> .局部变量 i, 整数型<br /> .局部变量 预测对象, 检测预测结构<br /> .局部变量 预测框, 矩形2i类<br /> .局部变量 对象颜色, 标量类<br /> .局部变量 类文本, 文本型<br /> .局部变量 类文本尺寸, 尺寸2i类<br /> .局部变量 类文本矩形, 矩形2i类<br /> <br /> .计次循环首 (取数组成员数 (预测结果), i)<br />     预测对象 ＝ 预测结果 <i><br />     预测框 ＝ 预测对象.矩形框<br />     对象颜色 ＝ 颜色 [预测对象.结果类别id]<br />     ' 检测框<br />     视觉_矩形 (图, 预测框, 对象颜色, 1, 8, 0)<br />     ' 检测框文本<br />     类文本 ＝ 类名数组 [预测对象.结果类别id] ＋ “ ” ＋ 到文本 (四舍五入 (预测对象.结果置信度, 4))<br />     类文本尺寸 ＝ 视觉_获取文本尺寸 (类文本, 2, 1, 2, )<br />     类文本矩形.初始化 (预测框.左边, 预测框.顶边 － 40, 类文本尺寸.宽 ＋ 10, 类文本尺寸.高 ＋ 20)<br />     视觉_矩形 (图, 类文本矩形, 对象颜色, #线类型_填充, 8, 0)<br />     视觉_放置文本 (图, 类文本, 点2i (预测框.左边 ＋ 5, 预测框.顶边 － 10), 2, 1, 标量 (0, 0, 0), 2, 0, 假)<br /> .计次循环尾 ()

  

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
图片路径	文本型
模型路径	文本型
图片	多维矩阵类
图片_复制	多维矩阵类
颜色	标量类		0
yolo	YOLOV8
预测结果	检测预测结构		0
类名数组	文本型		0
显示图	多维矩阵类

类名数组 ＝ { “person”, “bicycle”, “car”, “motorcycle”, “airplane”, “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”, “couch”, “potted plant”, “bed”, “dining table”, “toilet”, “tv”, “laptop”, “mouse”, “remote”, “keyboard”, “cell phone”, “microwave”, “oven”, “toaster”, “sink”, “refrigerator”, “book”, “clock”, “vase”, “scissors”, “teddy bear”, “hair drier”, “toothbrush” }
图片路径 ＝ “D:\旧系统桌面备份\CV DeMo\CV_DeMo\bus.jpg”
模型路径 ＝ “D:\旧系统桌面备份\CV DeMo\CV_DeMo\yolov8n.onnx”
图片 ＝ 视觉_图像读取 (图片路径, #读图_彩色 )
' 生成颜色
计次循环首 (80, )
加入成员 (颜色, 标量 (视觉_随机 () ％ 256, 视觉_随机 () ％ 256, 视觉_随机 () ％ 256))
计次循环尾 ()
图片_复制 ＝ 图片.克隆 ()
yolo.读模型 (模型路径)
yolo.检测 (图片_复制, 80, 0, 预测结果)
yolo.绘制 (图片_复制, 类名数组, 预测结果, 颜色)
显示图 ＝ 图片_复制.感兴区域 (矩形2i (0, 0, 图片.列数 (), 图片.行数 ()))
视觉_显示图像 (“YOLOV8 调用DEMO”, 显示图)
视觉_等待按键 (0)
返回 (0)  ' 可以根据您的需要返回任意数值

i支持库列表	支持库注释
OpenCV	(未知支持库)

.版本 2<br /> .支持库 OpenCV<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 图片路径, 文本型<br /> .局部变量 模型路径, 文本型<br /> .局部变量 图片, 多维矩阵类<br /> .局部变量 图片_复制, 多维矩阵类<br /> .局部变量 颜色, 标量类, , "0"<br /> .局部变量 yolo, YOLOV8<br /> .局部变量 预测结果, 检测预测结构, , "0"<br /> .局部变量 类名数组, 文本型, , "0"<br /> .局部变量 显示图, 多维矩阵类<br /> <br /> 类名数组 ＝ { “person”, “bicycle”, “car”, “motorcycle”, “airplane”, “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”, “couch”, “potted plant”, “bed”, “dining table”, “toilet”, “tv”, “laptop”, “mouse”, “remote”, “keyboard”, “cell phone”, “microwave”, “oven”, “toaster”, “sink”, “refrigerator”, “book”, “clock”, “vase”, “scissors”, “teddy bear”, “hair drier”, “toothbrush” }<br /> 图片路径 ＝ “D:\旧系统桌面备份\CV DeMo\CV_DeMo\bus.jpg”<br /> 模型路径 ＝ “D:\旧系统桌面备份\CV DeMo\CV_DeMo\yolov8n.onnx”<br /> 图片 ＝ 视觉_图像读取 (图片路径, #读图_彩色)<br /> ' 生成颜色<br /> .计次循环首 (80, )<br />     加入成员 (颜色, 标量 (视觉_随机 () ％ 256, 视觉_随机 () ％ 256, 视觉_随机 () ％ 256))<br /> .计次循环尾 ()<br /> 图片_复制 ＝ 图片.克隆 ()<br /> yolo.读模型 (模型路径)<br /> yolo.检测 (图片_复制, 80, 0, 预测结果)<br /> yolo.绘制 (图片_复制, 类名数组, 预测结果, 颜色)<br /> 显示图 ＝ 图片_复制.感兴区域 (矩形2i (0, 0, 图片.列数 (), 图片.行数 ()))<br /> <br /> 视觉_显示图像 (“YOLOV8 调用DEMO”, 显示图)<br /> 视觉_等待按键 (0)<br /> 返回 (0)  ' 可以根据您的需要返回任意数值

191039295

谢谢楼主分享

137403318

纯耍流氓呀

13930292979

技库不直供，纯耍流氓呀

w409608911

只发源码不发模块和支持库就是耍流氓。。。。。。。。

joysen20

技库不直供，纯耍流氓呀

q1227362130

看啊看啊看啊啊啊啊啊啊啊啊啊啊啊

黄杰

6666666666666666666

yyyxx2022

6666666666666666666666

五花牛

纯耍流氓呀