如何从Python程序调用YOLOv7的detect检测方法（替代CLI脚本）

以下针对主流的YOLOv5和YOLOv8框架，给出直接在Python代码中调用检测逻辑、传入指定参数的实现方案：

一、YOLOv5 实现方式 #

需要基于YOLOv5的源码模块进行调用，确保你已克隆YOLOv5仓库并安装好依赖：

import torch
import sys
# 如果你的脚本不在YOLOv5根目录，添加路径
sys.path.append("path/to/yolov5")

from models.experimental import attempt_load
from utils.general import non_max_suppression, scale_coords
from utils.datasets import LoadImages

# 自定义参数配置
weights = "path/to/your/custom_trained_model.pt"  # 自定义训练模型路径
source = "path/to/your/image_or_video_file"       # 检测源（图片/视频/摄像头编号如0）
conf_thres = 0.5                                  # 置信度阈值
img_size = 640                                    # 输入图片尺寸

# 初始化设备与模型
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = attempt_load(weights, map_location=device)  # 加载预训练/自定义模型
stride = int(model.stride.max())                    # 获取模型步长

# 加载检测数据源
dataset = LoadImages(source, img_size=img_size, stride=stride)

# 执行检测循环
for path, img, im0s, vid_cap in dataset:
    # 预处理输入图片
    img = torch.from_numpy(img).to(device)
    img = img.float() / 255.0  # 归一化至0-1范围
    if img.ndimension() == 3:
        img = img.unsqueeze(0)  # 添加batch维度
    
    # 模型推理
    pred = model(img, augment=False)[0]
    
    # 非极大值抑制（NMS）过滤冗余检测框
    pred = non_max_suppression(pred, conf_thres, 0.45, classes=None, agnostic=False)
    
    # 处理并输出检测结果
    for i, det in enumerate(pred):
        if len(det):
            # 将检测框坐标缩放回原图尺寸
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0s.shape).round()
            
            # 遍历每个检测结果
            for *xyxy, conf, cls in reversed(det):
                class_name = model.names[int(cls)]
                print(f"检测目标: {class_name}, 置信度: {conf:.2f}, 坐标: {xyxy}")
                # 如需可视化，可调用utils.plots.plot_one_box绘制检测框

二、YOLOv8 实现方式 #

YOLOv8官方提供了更简洁的API封装，直接通过ultralytics库调用即可：

from ultralytics import YOLO

# 自定义参数配置
weights = "path/to/your/custom_trained_model.pt"
source = "path/to/your/image_or_video_file"
conf_thres = 0.5
img_size = 640

# 加载自定义模型
model = YOLO(weights)

# 执行检测并传入参数
results = model.predict(
    source=source,
    conf=conf_thres,
    imgsz=img_size,
    # 可选参数：save=True（保存检测结果）、show=True（实时显示画面）等
)

# 解析检测结果
for result in results:
    boxes = result.boxes  # 获取所有检测框对象
    for box in boxes:
        cls_idx = int(box.cls[0].item())
        confidence = box.conf[0].item()
        coords = box.xyxy[0].tolist()  # 坐标格式：[x1, y1, x2, y2]
        class_name = result.names[cls_idx]
        print(f"检测目标: {class_name}, 置信度: {confidence:.2f}, 坐标: {coords}")

注意事项 #

• 确保环境依赖正确：YOLOv5需克隆仓库并安装requirements.txt，YOLOv8可直接通过pip install ultralytics安装。
• 路径参数需填写绝对路径或相对于当前脚本的相对路径，避免因路径错误导致加载失败。
• 若使用GPU加速，需确保已安装对应版本的CUDA和PyTorch。

内容的提问来源于stack exchange，提问作者Saumya Gupta