织梦购物网站整站源码橱柜企业网站模板

织梦购物网站整站源码,橱柜企业网站模板,设计网页与创建网站吗,企业网站关站《博主简介》 小伙伴们好#xff0c;我是阿旭。 专注于计算机视觉领域#xff0c;包括目标检测、图像分类、图像分割和目标跟踪等项目开发#xff0c;提供模型对比实验、答疑辅导等。 《------往期经典推荐------》 一、AI应用软件开发实战专栏【链接】 项目名称项目名称1…《博主简介》小伙伴们好我是阿旭。专注于计算机视觉领域包括目标检测、图像分类、图像分割和目标跟踪等项目开发提供模型对比实验、答疑辅导等。《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】9.【基于深度学习的PCB板缺陷检测系统】10.【基于深度学习的生活垃圾分类目标检测系统】11.【基于深度学习的安全帽目标检测系统】12.【基于深度学习的120种犬类检测与识别系统】13.【基于深度学习的路面坑洞检测系统】14.【基于深度学习的火焰烟雾检测系统】15.【基于深度学习的钢材表面缺陷检测系统】16.【基于深度学习的舰船目标分类检测系统】17.【基于深度学习的西红柿成熟度检测系统】18.【基于深度学习的血细胞检测与计数系统】19.【基于深度学习的吸烟/抽烟行为检测系统】20.【基于深度学习的水稻害虫检测与识别系统】21.【基于深度学习的高精度车辆行人检测与计数系统】22.【基于深度学习的路面标志线检测与识别系统】23.【基于深度学习的智能小麦害虫检测识别系统】24.【基于深度学习的智能玉米害虫检测识别系统】25.【基于深度学习的200种鸟类智能检测与识别系统】26.【基于深度学习的45种交通标志智能检测与识别系统】27.【基于深度学习的人脸面部表情识别系统】28.【基于深度学习的苹果叶片病害智能诊断系统】29.【基于深度学习的智能肺炎诊断系统】30.【基于深度学习的葡萄簇目标检测系统】31.【基于深度学习的100种中草药智能识别系统】32.【基于深度学习的102种花卉智能识别系统】33.【基于深度学习的100种蝴蝶智能识别系统】34.【基于深度学习的水稻叶片病害智能诊断系统】35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于深度学习的智能草莓病害检测与分割系统】37.【基于深度学习的复杂场景下船舶目标检测系统】38.【基于深度学习的农作物幼苗与杂草检测系统】39.【基于深度学习的智能道路裂缝检测与分析系统】40.【基于深度学习的葡萄病害智能诊断与防治系统】41.【基于深度学习的遥感地理空间物体检测系统】42.【基于深度学习的无人机视角地面物体检测系统】43.【基于深度学习的木薯病害智能诊断与防治系统】44.【基于深度学习的野外火焰烟雾检测系统】45.【基于深度学习的脑肿瘤智能检测系统】46.【基于深度学习的玉米叶片病害智能诊断与防治系统】47.【基于深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】85.【基于深度学习的遥感视角农田检测与分割系统】86.【基于深度学习的运动品牌LOGO检测与识别系统】87.【基于深度学习的电瓶车进电梯检测与语音提示系统】88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】90.【基于深度学习的舌苔舌象检测识别与诊断系统】91.【基于深度学习的蛀牙智能检测与语音提示系统】92.【基于深度学习的皮肤癌智能检测与语音提示系统】93.【基于深度学习的工业压力表智能检测与读数系统】94.【基于深度学习的CT扫描图像肝脏肿瘤智能检测与分析系统】95.【基于深度学习的CT扫描图像脑肿瘤智能检测与分析系统】96.【基于深度学习的甲状腺结节智能检测分割与诊断系统】二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】持续更新中~~六、YOLO性能对比专栏【链接】持续更新中~《------正文------》目录引言一、准备工作环境与依赖库二、定义辅助函数1. 加载视频帧函数2. 结果可视化函数三、加载SAM3模型四、视频转帧处理前的准备五、初始化视频处理会话六、添加文本提示告诉模型要分割什么七、可视化第一帧分割结果八、在整个视频中跟踪目标九、生成最终视频分割结果引言在计算机视觉领域基于文本提示的视频目标分割一直是一个热门方向。前3篇文章详细介绍了SAM3对于图片的一些分割教程链接如下【SAM3教程-1】SAM3 使用文本提示进行图像分割详细步骤与示例【附源码】【SAM3教程-2】使用正负样本提示框一键分割图片中的相似目标详细步骤与示例【SAM3教程-3】使用提示点 提示框精准 “圈” 出指定目标正负样本搭配更高效【附源码】本文将详细介绍如何使用SAM3模型通过文本提示来实现视频中目标的自动分割与跟踪即使你是初学者也能轻松上手。实现效果如下给出一段视频下方通过文本提示plane,可以一键分割并跟踪视频中所有的飞机目标。【可以根据自己的视频内容进行文本提示】一、准备工作环境与依赖库首先需要导入必要的Python库这些库将帮助我们实现视频处理、模型加载和结果可视化等功能importcv2# 用于图像处理importtorch# 深度学习框架importnumpyasnp# 数值计算库importsupervisionassv# 计算机视觉工具库frompathlibimportPath# 文件路径处理fromPILimportImage# 图像处理fromtypingimportOptional# 类型提示fromIPython.displayimportVideo# 视频展示fromsam3.model_builderimportbuild_sam3_video_predictor# SAM3模型构建importos# 文件系统操作二、定义辅助函数我们需要定义两个关键辅助函数分别用于加载视频帧和处理分割结果的可视化。1. 加载视频帧函数defload_frame(directory:str,index:int): 从目录中加载具有特定索引的帧格式为‘%05d.jpg’例如00000.jpg, 00001.jpg Args: directory (str): 视频每一帧所在的目录 index (int): 每一帧的id directory_pathPath(directory)frame_pathdirectory_path/f{index:05d}.jpg# 构造帧文件路径ifnotframe_path.exists():raiseFileNotFoundError(fFrame not found:{frame_path})framecv2.imread(str(frame_path))ifframeisNone:raiseFileNotFoundError(fFailed to load frame:{frame_path})returnframe这个函数的作用是从指定目录中按索引加载视频帧采用%05d.jpg的命名格式如00000.jpg表示第0帧方便我们按顺序访问视频的每一帧。2. 结果可视化函数defannotate(image:np.ndarray,detections:sv.Detections,textNone)-np.ndarray:h,w,_image.shape text_scalesv.calculate_optimal_text_scale(resolution_wh(w,h))# 计算合适的文本大小# 初始化掩码标注器mask_annotatorsv.MaskAnnotator(colorCOLOR,color_lookupsv.ColorLookup.TRACK,# 按跟踪ID分配颜色opacity0.6# 掩码透明度)annotated_imageimage.copy()annotated_imagemask_annotator.annotate(annotated_image,detections)# 绘制掩码iftext:# 如果需要添加文本标签label_annotatorsv.LabelAnnotator(colorCOLOR,color_lookupsv.ColorLookup.TRACK,text_scaletext_scale,text_colorsv.Color.BLACK,text_positionsv.Position.TOP_CENTER,text_offset(0,-30))# 生成标签文本labels[f#{tracker_id}{text}fortracker_idindetections.tracker_id]annotated_imagelabel_annotator.annotate(annotated_image,detections,labels)returnannotated_image这个函数负责将分割结果掩码和标签绘制到原始图像上使我们能够直观地看到分割效果。它会根据图像大小自动调整文本比例并为不同的跟踪目标分配不同的颜色。三、加载SAM3模型接下来需要加载SAM3模型这是实现文本驱动分割的核心# 使用GPU加速如果可用DEVICES[torch.cuda.current_device()]# 初始化图像模型并加载预训练权重checkpoint_pathmodels/sam3.pt# 模型文件路径bpe_pathassets/bpe_simple_vocab_16e6.txt.gz# BPE文件路径predictorbuild_sam3_video_predictor(checkpoint_pathcheckpoint_path,bpe_pathstr(bpe_path),gpus_to_useDEVICES)checkpoint_pathSAM3模型权重文件的路径bpe_path字节对编码BPE文件路径用于处理文本提示gpus_to_use指定使用的GPU设备加速模型推理四、视频转帧处理前的准备原视频SAM3处理视频时需要先将视频转换为一帧帧的图片SOURCE_VIDEOTestFiles/2.mp4# 源视频路径output_diroutput# 帧图片输出目录ifnotos.path.exists(output_dir):os.makedirs(output_dir)# 创建目录如果不存在# 使用ffmpeg将视频转为帧图片!ffmpeg-i{SOURCE_VIDEO}-q:v2-start_number0output/%05d.jpg这里使用ffmpeg工具将视频按顺序转换为jpg格式的图片存储在output目录中命名格式为00000.jpg、00001.jpg等方便后续按索引访问。转存后如下所示五、初始化视频处理会话创建一个视频处理会话让模型加载并准备处理视频# 启动一个新的会话responsepredictor.handle_request(requestdict(typestart_session,resource_pathSOURCE_VIDEO,))session_idresponse[session_id]# 获取会话ID用于后续操作会话ID是后续所有操作的标识确保我们的所有指令都应用到同一个视频处理任务上。如果需要重新开始可以使用reset_session重置会话# 重置会话如需重新处理_predictor.handle_request(requestdict(typereset_session,session_idsession_id,))六、添加文本提示告诉模型要分割什么现在我们需要告诉模型要分割的目标是什么这里以plane飞机为例# 显示第一帧画面确定我们要处理的起始帧frame_idx0# 添加文本提示textplane# 要分割的目标文本描述responsepredictor.handle_request(requestdict(typeadd_prompt,session_idsession_id,frame_indexframe_idx,# 在第几帧添加提示texttext,# 文本提示内容))resultresponse[outputs]# 获取第一帧的分割结果通过这段代码我们在视频的第0帧第一帧添加了plane的文本提示模型会在该帧中识别并分割出飞机目标。七、可视化第一帧分割结果让我们看看第一帧的分割效果# 定义颜色调色板COLORsv.ColorPalette.from_hex([#ffff00,#ff9b00,#ff8080,#ff66b2,#ff66ff,#b266ff,#9999ff,#3399ff,#66ffff,#33ff99,#66ff66,#99ff00])# 转换结果格式并可视化detectionsfrom_sam(result)annotated_frameannotate(frame,detections,text)sv.plot_image(annotated_frame)运行这段代码后你将看到第一帧图像上被分割出的飞机区域被半透明颜色覆盖并标注了#ID plane的标签。并且每个目标都有一个唯一ID。八、在整个视频中跟踪目标有了第一帧的分割结果我们可以让模型在整个视频中跟踪并分割目标defpropagate_in_video(predictor,session_id):frame_outputs{}# 存储每帧的输出结果# 流式处理视频中的所有帧forresponseinpredictor.handle_stream_request(requestdict(typepropagate_in_video,session_idsession_id,)):frame_outputs[response[frame_index]]response[outputs]returnframe_outputs# 执行视频跟踪frame_outputspropagate_in_video(predictorpredictor,session_idsession_id)这个函数会逐帧处理整个视频利用SAM3的跟踪能力将第一帧的分割结果传播到后续所有帧实现目标的持续跟踪与分割。九、生成最终视频分割结果最后我们将所有帧的分割结果合成为一个视频TARGET_VIDEOout_result.mp4# 输出视频路径TARGET_VIDEO_COMPRESSEDout_result-compressed.mp4# 压缩后的视频路径# 定义处理每一帧的回调函数defcallback(frame:np.ndarray,index:int)-np.ndarray:outputframe_outputs[index]# 获取当前帧的分割结果detectionsfrom_sam(output)# 转换格式returnannotate(frame,detections,text)# 绘制分割结果# 处理视频并生成结果sv.process_video(source_pathSOURCE_VIDEO,target_pathTARGET_VIDEO,callbackcallback)# 压缩视频以减小文件大小!ffmpeg-y-loglevel error-i{TARGET_VIDEO}-vcodec libx264-crf28{TARGET_VIDEO_COMPRESSED}通过这段代码我们将原始视频与分割结果结合生成一个带有目标分割标注的新视频。最后使用ffmpeg对视频进行压缩方便存储和分享。至此我们完成了使用SAM3通过文本提示进行视频目标分割与跟踪的全部流程。你可以尝试更换不同的视频和文本提示如car、person等看看模型的表现如何。通过这种方法我们无需手动标注目标只需提供简单的文本描述就能让模型自动在视频中找到并跟踪目标极大地提高了视频处理的效率。好了这篇文章就介绍到这里喜欢的小伙伴感谢给点个赞和关注更多精彩内容持续更新~~关于本篇文章大家有任何建议或意见欢迎在评论区留言交流