使用YOLOv5实现多摄像头实时目标检测

这篇博客将在单摄像头目标检测的基础上，实现单网络多线程的实时目标检测。

实现方法

1. 在detect.py同级目录下新建streams.txt文件，每个视频流源单独成行：

本地摄像头填0

USB摄像头填1,2,3…

IP摄像头要根据摄像头类型，按下面格式填写（我将在之后的博客中讲解实现）

rtsp://admin（账号）:admin(密码)@ip:端口/（主码流，辅码流之类的）

0是电脑自带摄像头，1是外接USB摄像头

2. 在detect.py中修改 '--source' 的默认值为'streams.txt'

parser.add_argument('--source', type=str,default='streams.txt', help='source') #单网络多线程 实时检测

给出更改后参数配置部分完整代码：

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)')
    #parser.add_argument('--source', type=str, default='data/images', help='source')  # file/folder, 0 for webcam
    #parser.add_argument('--source', type=str, default='data/video', help='source')  # file/folder, 0 for webcam
    #parser.add_argument('--source', type=str, default='0', help='source')  # file/folder, 0 for webcam
    parser.add_argument('--source', type=str, default='streams.txt', help='source')  # file/folder, 0 for webcam
    parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
    parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')
    parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--view-img', action='store_true', help='display results')
    parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
    parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')
    parser.add_argument('--nosave', action='store_true', help='do not save images/videos')
    parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3')
    parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')
    parser.add_argument('--augment', action='store_true', help='augmented inference')
    parser.add_argument('--update', action='store_true', help='update all models')
    parser.add_argument('--project', default='runs/detect', help='save results to project/name')
    parser.add_argument('--name', default='exp', help='save results to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    opt = parser.parse_args()
    print(opt)
    check_requirements(exclude=('pycocotools', 'thop'))

效果

以电脑自带摄像头和一个外接USB摄像头为例。

运行detect.py后，可以看到电脑自带摄像头识别到一个人，USB摄像头未识别到物体，括号内是识别用时。

现在电脑自带摄像头识别到一个人，USB摄像头识别到人、狗的图案、电视和笔记本电脑，括号内是识别用时。说明在多线程下仍然能做到多目标识别

求学路上，你我共勉(๑•̀ㅂ•́)و✧