检测

yolo v8集成在插件中,因此我们要加载插件来完成检测

一种目标检测深度学习算法 ,通过对 图片中目标的标注,训练.得到模型,下载运行模型从而检测目标

应用场景

对于不同手机,不同分辨率情况下的目标检测. 能达到很好的效果.

例如 微信跳一跳检测 , 多分辨率兼容的图像检测 , 物品检测, 带口罩检测 等等...

# 加载yolov8插件
from ascript.android import plug
plug.load("Yolov8Ncnn:1.3") # 这里请更换最新版本
import Yolov8Ncnn

方法

初始化模型

加载模型,并初始化

• 函数

Yolov8Ncnn.load(param_path:str,bin_path:str,nc:int,use_gpu:bool=False)

• 参数

参数	类型	是否必填	说明
param_path	bool	是	ncnn模型的param文件的绝对路径
bin_path	bool	是	ncnn模型的bin文件绝对路径
nc	bool	是	模型的标签数量,可在标签集data.yarm中看到
use_gpu	bool	否	是否启动gpu，默认用cpu，速度相差不多~~~

• 返回值

bool 是否初始化成功

• 示例

from ascript.android import plug
from ascript.android.system import R
plug.load("Yolov8Ncnn:1.3")
import Yolov8Ncnn as yolo

# 这里的路径换成你自己的， nc为你自己模型的标签数量
is_init = yolo.load(R.res("custom.param"),R.res("custom.bin"),5)
if is_init:
    print("模型初始化成功")

---

检测目标

• 函数

Yolov8Ncnn.detect(bitmap=None,target_size:int=640,threshold=0.4,nms_threshold=0.5)

• 参数

参数	类型	是否必填	说明
bitmap	androidBitmap	否	bitmap：可以不传，不传的话就用当前屏幕图像检测
target_size	int	否	图像进入后缩放的检测大小,模型训练一般都用640,因此这里的640一般不要改
threshold	float	否	置信度,默认0.4 小于这个值的会被过滤掉
nms_threshold	float	否	重叠阈值，一般是0.5不需要更改

• 返回值

数组[]:

[
    {'class_id': 1, 'confidence': 0.9673174023628235, 'rect': [551, 948, 1008, 1214]},
    {'class_id': 0, 'confidence': 0.9178692102432251, 'rect': [296, 1151, 370, 1364]}
]

• class_id: 标签序号,可通过标签数组拿到对应的标签名称

• confidence: 置信度

• rect: 位置信息 [左,上,右,下] 4个点的坐标

• 示例

from ascript.android import plug
from ascript.android.system import R
plug.load("Yolov8Ncnn:1.3")
import Yolov8Ncnn as yolo

# 在屏幕上绘制目标
yolo.draw(True,300)

# 这里的路径换成你自己的， nc为你自己模型的标签数量
is_init = yolo.load(R.res("tyt.param"),R.res("tyt.bin"),5)

if is_init:
    print("模型初始化成功")
    res = yolo.detect()
    for r in res:
        print("标签ID:",r["class_id"])
        print("置信度:",r["confidence"])
        print("目标坐标范围:",r["rect"])

---

绘制

检测到结果后,在屏幕上绘制目标框

• 函数

Yolov8Ncnn.draw(is_draw:bool=True,draw_time:int=1000)

• 参数

参数	类型	是否必填	说明
is_draw	bool	否	是否绘制目标,默认True
draw_time	int	否	绘制目标后,多久消失,默认1000毫秒

• 示例

from ascript.android import plug
from ascript.android.system import R
plug.load("Yolov8Ncnn:1.3")
import Yolov8Ncnn as yolo

yolo.draw(True,300)

---

释放模型

• 函数

Yolov8Ncnn.free()

---