[Open Source]基于YOLOv3与Django框架的Web应用-YOLOv3_Detect_Web

YOLOv3_Detect_Web

Use Yolov3 detect on Web

使用 YOLOv3(PyTorch 和 Django 实现)的对象检测应用程序。
网页和 REST API由Django Web框架实现。

1. Introduction 介绍


1.1 概述

这是一个使用 YOLOv3 提供对象检测并生成 REST API 的 Web 应用程序。
它是使用 Django 框架和 PyTorch(用于 YOLO 模型)实现的。
这里开发了接受图像作为请求的 Django API,API 的响应是 JSON 对象。
输入图像被转换为 float32 类型的 NumPy 数组并传递给 YOLOv3 对象检测模型。
该模型对图像执行对象检测,并生成一个 JSON 对象,其中包含所有对象的名称及其在图像中各自的置信度。

1.2 视频Demo

2. Required Libraries 依赖库对应版本及环境配置


2.1 所需依赖库

下面提到了所需的库及其版本:

  • Python (3.7)
  • Django (3.0.3)
  • PyTorch (1.3.1)
  • Pillow (7.1.2)
  • OpenCV (4.2.0)
  • NumPy (1.18.5)

可见requirements.txt。

2.2 配置测试环境

  • 利用Anaconda创建名为web的虚拟环境
conda create -n web python=3.7
  • 进入虚拟环境
conda activate web
  • 根据requirements文件在清华源下进行依赖库安装(推荐使用)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3. Required files for Detection 检测必需的文件


要使用预训练模型的对象检测,我们需要三个重要文件,分别为以下:

  • yolov3.cfg - cfg:
    该文件用来逐块描述网络的布局。官方 cfg 文件可在Darknet github 存储库中找到。
    但是,为了获得更好的性能,我对配置文件做了一些更改。
  • yolov3.weights:
    我们使用来自 darknet53 模型的权重。
  • coco.names:
    文件包含我们的模型经过训练可以识别的不同对象的名称。

4.Steps to Follow (Working)


这个存储库可以做两件事:

  1. 基于YOLOv3和Django的网页程序应用实现
  2. REST API的生成(API测试使用POSTMAN完成)

4.1 网页应用实现

  • step-1.克隆 GitHub 存储库
git clone https://github.com/isLinXu/YOLOv3_Detect_Web.git
  • step-2.将目录更改为克隆的 Repository 文件夹。
cd YOLOv3_Detect_Web
  • step-3.由于.cfg 和 coco.names 文件已在此存储库中默认设置好, 可根据需要进行自行修改。
    现在,我们需要做的就是下载权重文件。
    在命令提示符中使用以下命令下载 yolov3.weights:
wget https://pjreddie.com/media/files/yolov3.weights
  • step-4.安装所有必需的库。
  • step-5.执行下面的代码:(这条命令只需要执行一次,用来初始化创建)
python manage.py collectstatic

此命令启动 Django 并收集所有静态文件。

  • step-6.然后,开始服务:
python manage.py runserver

此命令启动 Django 服务器。

现在我们都准备好运行应用程序了。

  • step-7..执行上述代码后,您将看到如下内容:

  • step-8.点击链接。这会将您定向到 Web 浏览器。

  • step-9.通过拖放或浏览模式选择图像。

  • setp-10:上传图片


  • step-11: 点击DEDECT-OBJECT,进行检测图片,这时会将结果解析为json并显示出来。
    Django Web-app 的输入是一个图像。此输入图像被转换为​​ float32 类型的 NumPy 数组并传递给 YOLOv3 模型。
    该模型对图像执行对象检测,并生成一个 JSON 对象,其中包含所有对象的名称及其在图像中各自的频率。


    表单响应是 JSON 对象。此 JSON 对象如上所示显示。

  • step-12: 单击“Show Predictions”显示检测结果,查看带有边界框的图像。

  • step-13: 要尝试其他图像,请单击"Choose a New File"

4.2 REST API 实现——POSTMAN

Postman 是一个可扩展的 API 测试工具。要遵循的步骤是:

  1. 按照上面提到的前 6 个步骤进行操作。

  2. 确保服务器正常运行

  3. 打开 POSTMAN 并选择 POST 选项。输入上面显示的服务器链接并将 /object_detection/api_request/ 附加到它。

  4. 点击body,输入key value作为"image",选择图片文件点击“Send”进行发送

  5. 输入图像被转换为 float32 类型的 NumPy 数组并传递给 YOLOv3 模型。该模型对图像执行对象检测,并生成一个 JSON 对象,其中包含所有对象的名称及其在图像中各自的频率。

  6. HttpResponse 是 JSON 对象。其中此 JSON 对象如上所示显示。

例如:127.0.0.1:8000/object_detection/api_request/

posted @ 2021-12-29 12:03  Xu_Lin  阅读(923)  评论(0编辑  收藏  举报