源代码来自小赛的文章，他的解释更加详细，这里我做记录用。
```
import numpyas np
import cv2as cv
import os
import time
yolo_dir ='/home/hessesummer/github/NTS-Net-my/yolov3' # YOLO文件路径
weightsPath = os.path.join(yolo_dir, 'yolov3.weights')# 权重文件
configPath = os.path.join(yolo_dir, 'yolov3.cfg')# 配置文件
labelsPath = os.path.join(yolo_dir, 'coco.names')# label名称
imgPath = os.path.join(yolo_dir, 'test.jpg')# 测试图像
CONFIDENCE =0.5 # 过滤弱检测的最小概率
THRESHOLD =0.4 # 非最大值抑制阈值
# 加载网络、配置权重
net = cv.dnn.readNetFromDarknet(configPath, weightsPath)# # 利用下载的文件
print("[INFO] loading YOLO from disk...")# # 可以打印下信息
# 加载图片、转为blob格式、送入网络输入层
img = cv.imread(imgPath)
blobImg = cv.dnn.blobFromImage(img, 1.0/255.0, (416, 416), None, True, False)# # net需要的输入是blob格式的，用blobFromImage这个函数来转格式
net.setInput(blobImg)# # 调用setInput函数将图片送入输入层
# 获取网络输出层信息（所有输出层的名字），设定并前向传播
outInfo = net.getUnconnectedOutLayersNames()# # 前面的yolov3架构也讲了，yolo在每个scale都有输出，outInfo是每个scale的名字信息，供net.forward使用
start = time.time()
layerOutputs = net.forward(outInfo)# 得到各个输出层的、各个检测框等信息，是二维结构。
end = time.time()
print("[INFO] YOLO took {:.6f} seconds".format(end - start))# # 可以打印下信息
# 拿到图片尺寸
(H, W) = img.shape[:2]
# 过滤layerOutputs
# layerOutputs的第1维的元素内容: [center_x, center_y, width, height, objectness, N-class score data]
# 过滤后的结果放入：
boxes = []# 所有边界框（各层结果放一起）
confidences = []# 所有置信度
classIDs = []# 所有分类ID
# # 1）过滤掉置信度低的框框
for outin layerOutputs:# 各个输出层
for detectionin out:# 各个框框
# 拿到置信度
scores = detection[5:]# 各个类别的置信度
classID = np.argmax(scores)# 最高置信度的id即为分类id
confidence = scores[classID]# 拿到置信度
# 根据置信度筛查
if confidence > CONFIDENCE:
box = detection[0:4] * np.array([W, H, W, H])# 将边界框放会图片尺寸
(centerX, centerY, width, height) = box.astype("int")
x =int(centerX - (width /2))
y =int(centerY - (height /2))
boxes.append([x, y, int(width), int(height)])
confidences.append(float(confidence))
classIDs.append(classID)
# # 2）应用非最大值抑制(non-maxima suppression，nms)进一步筛掉
idxs = cv.dnn.NMSBoxes(boxes, confidences, CONFIDENCE, THRESHOLD)# boxes中，保留的box的索引index存入idxs
# 得到labels列表
with open(labelsPath, 'rt')as f:
labels = f.read().rstrip('\n').split('\n')
# 应用检测结果
np.random.seed(42)
COLORS = np.random.randint(0, 255, size=(len(labels), 3), dtype="uint8")# 框框显示颜色，每一类有不同的颜色，每种颜色都是由RGB三个值组成的，所以size为(len(labels), 3)
if len(idxs) >0:
for iin idxs.flatten():# indxs是二维的，第0维是输出层，所以这里把它展平成1维
(x, y) = (boxes[i][0], boxes[i][1])
(w, h) = (boxes[i][2], boxes[i][3])
color = [int(c)for cin COLORS[classIDs[i]]]
cv.rectangle(img, (x, y), (x+w, y+h), color, 2)# 线条粗细为2px
text ="{}: {:.4f}".format(labels[classIDs[i]], confidences[i])
cv.putText(img, text, (x, y-5), cv.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)# cv.FONT_HERSHEY_SIMPLEX字体风格、0.5字体大小、粗细2px
cv.imshow('detected image', img)
cv.waitKey(0)
```