基于OpenCV与YOLOv5的行人检测计数程序报错求助

错误原因分析 #

你遇到的IndexError是因为output的结构和预期不符——output[0]是一维张量，不存在'boxes'这个键。这种情况通常是模型推理输出格式匹配错误导致的，比如误用了不同检测模型的输出解析逻辑，或是推理时未正确处理模型返回值。

针对性解决方案 #

1. 匹配模型类型调整解析逻辑 #

若使用PyTorch官方检测模型（Faster RCNN/SSD等）

这类模型要求输入是列表格式的张量（单张图也要包装成列表），输出才会是包含'boxes'、'labels'键的字典列表。检查你的推理代码：

# 错误写法：直接传入单张量
output = model(img_tensor)
# 正确写法：将单张量包装为列表
output = model([img_tensor])

修正后output[0]['boxes']即可正常访问。

若使用YOLO系列模型（YOLOv5/YOLOv8等）

YOLO输出是纯张量，没有'boxes'键，需用模型自带的解析方式。以YOLOv8为例：

results = model(frame)
# 过滤出行人类别（COCO数据集行人ID为0），统计数量
person_boxes = results.xyxy[0][results.xyxy[0][:, 5] == 0]
person_count = len(person_boxes)

2. 调试输出结构 #

若不确定模型输出格式，先打印结构信息明确解析方式：

print(type(output))
# 列表格式则打印键，张量格式打印形状
if isinstance(output, list):
    print(output[0].keys())
else:
    print(output.shape)

3. 可运行的实时检测示例（Faster RCNN版） #

import torch
import torchvision
from torchvision.models.detection.faster_rcnn import FastRCNNPredictor
import cv2

# 加载预训练Faster RCNN模型，适配COCO分类（含行人）
model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
num_classes = 90
in_features = model.roi_heads.box_predictor.cls_score.in_features
model.roi_heads.box_predictor = FastRCNNPredictor(in_features, num_classes)
model.eval()

# 初始化摄像头（本地传0，网络摄像头传对应URL）
cap = cv2.VideoCapture(0)

# 图像预处理
def preprocess(frame):
    img = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    img_tensor = torch.tensor(img).permute(2, 0, 1).float() / 255.0
    return [img_tensor]  # 必须包装为列表

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    # 推理（关闭梯度计算节省资源）
    with torch.no_grad():
        outputs = model(preprocess(frame))
    
    # 过滤行人（COCO中行人label为1，置信度>0.5）
    boxes = outputs[0]['boxes']
    scores = outputs[0]['scores']
    labels = outputs[0]['labels']
    person_indices = torch.where((labels == 1) & (scores > 0.5))[0]
    person_count = len(person_indices)
    
    # 绘制检测框和人数
    for idx in person_indices:
        box = boxes[idx].numpy().astype(int)
        cv2.rectangle(frame, (box[0], box[1]), (box[2], box[3]), (0, 255, 0), 2)
    cv2.putText(frame, f"Person Count: {person_count}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
    
    cv2.imshow('Pedestrian Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

关键注意点 #

• 不同模型输出格式差异极大，需严格对应官方文档解析。
• 实时检测必须用torch.no_grad()关闭梯度计算，避免内存泄漏。
• 添加置信度过滤可有效减少误检。

内容的提问来源于stack exchange，提问作者hal0cline