C++调用YOLOv4模型对INRIA行人数据集进行识别

本文主要介绍了使用C++调用YOLOv4模型测试，并对INRIA行人数据集进行识别，识别率可达86.62%

一、编程环境

1.OpenCV4.4和VS2019，安装包我已经打包到百度云，两个软件安装过程都是非常简单，有需要的同学可以在下面链接下载：
链接：https://pan.baidu.com/s/1HW1fPt8hO1uH5mWNRi7wdg
提取码：mdhv

OpenCV4.4和VS2019配置方法参考下面博客：
https://blog.csdn.net/shuiyixin/article/details/105998661

博主用的是VS2015，配置不同之处在于VS2017及以下版本选择的是vc14文件夹，而VS2019选择vc15文件夹，其他配置步骤不变。

p：OpenCV我只测试了这一个版本，VS2015,17,19都可以

二、程序编译

1.主程序

主程序参考了其他大佬的代码，根据自己的项目需求，进行了一些小修改，为了方便大家下载，文末最后提供了下载地址
下面给出了部分代码：

int main()
{clock_t startTime, endTime; //定义程序开始运行时间和结束时间startTime = clock();  //计时开始//---------------------------------------加载类别---------------------------------------ifstream classNamesFile("coco.names");//coco文件中有类别名字//ifstream classNamesFile("./model/coco.names");vector<string> classNamesVec;//将coco类别名字插入classNamesVec容器中if (classNamesFile.is_open()){string className = "";while (std::getline(classNamesFile, className))classNamesVec.push_back(className);}//定义已经训练好的.cfg文件和权重文件String cfg = "yolov4.cfg";String weight = "yolov4.weights";//模型读入，把两个文件放入net神经网络dnn::Net net = readNetFromDarknet(cfg, weight);//预处理读取的图像，并将图像读入网络Mat frame = imread("000000579238.jpg");

2.相关配置文件

配置文件使用YOLOv4的coco.name(识别类别库)，yolov4.cfg和yolov4.weights两个配置文件，三个文件和源代码放在一个路径。
配置文件下载地址：
链接：https://pan.baidu.com/s/15D_nRHtW1ffy4Mypn144Qg
提取码：x42u

3.程序测试

环境配置完毕后，先生成解决方案，成功编译后运行，结果如下图所示：

因为我这个项目只需要对人进行识别，所以在代码中进行了修改，当然你也可以只对其他类别（例如car）进行识别，或者不做修改，对所有类别进行识别。

for (size_t i = 0; i < indices.size();i++) {idx = indices[i];className = classNamesVec[classIds[idx]];//这里加了对人识别的类别进行判断，是person则跳出，你也可以改成其他的，或者注释掉if (className != "person") continue;labelSize = getTextSize(className, FONT_HERSHEY_SIMPLEX, 0.5, 1, 0);box = boxes[idx];textBox = Rect(Point(box.x - 1, box.y),Point(box.x + labelSize.width, box.y - labelSize.height));rectColor = Scalar(idx * 11 % 256, idx * 22 % 256, idx * 33 % 256);textColor = Scalar(255 - idx * 11 % 256, 255 - idx * 22 % 256, 255 - idx * 33 % 256);rectangle(frame, box, rectColor, 2, 8, 0);rectangle(frame, textBox, rectColor, -1, 8, 0);putText(frame, className.c_str(), Point(box.x, box.y - 2), FONT_HERSHEY_SIMPLEX, 0.5, textColor, 1, 8);}

4.实验

根据项目需求在INRIA行人数据集上进行了测试，首先读取数据集全部图片路径，然后对每一张图片进行识别检测并另存到另一个文件夹，最后对识别率进行了计算。

在train文件夹中 613幅图片识别，重命名并另存，用时1372.39s（笔记本配置有点低，导致识别速度慢）
其中完全识别正确536幅，识别错误图像1幅，拥挤人群场景识别不作考虑（因为我们项目不可能有这么多人）42幅，未识别出34幅。

识别率 94.29%
这仅仅是用了coco数据集的权重文件，而非我目前样本库的训练权重文件

下面是1幅识别错误图像

5.总结

这次的实验依托项目背景，让我对YOLOv4进行了学习研究，YOLOv4模型良好的性能，尤其是复杂背景条件下，识别率依旧可以很高。
从项目需求来看，还需要在更加复杂的背景下拥有更高的识别率，这次实验才算刚刚起步。

源代码/项目百度云下载：
链接：https://pan.baidu.com/s/1xl_Kcmn5Ut7fQamqzrIlHg
提取码：3pqa

如果大家遇到什么问题，可以在下方留言哦，每天看到就会回复。