import cv2 import numpy as np from ultralytics import YOLO # 假设 yolov8_model_in_heat 是一个YOLO模型实例  # 假设 yolov8_model_in_heat 已经加载 # yolov8_model_in_heat = YOLO('path/to/your/model.pt')  def process_video_with_second_model(video_path, yolov8_model_in_heat):     """     使用YOLOv8模型处理视频，对帧进行多类别目标检测，并根据类别分类存储帧。      Args:         video_path (str): 视频文件的路径。         yolov8_model_in_heat (YOLO): 预训练的YOLOv8模型实例。      Returns:         str: 具有更高检测计数的类别名称 ('inheat' 或 'non-inheat')。     """     cap = cv2.VideoCapture(video_path)     if not cap.isOpened():         print(f"错误：无法打开视频文件 {video_path}")         return None      class_counts = {'inheat': 0, 'non-inheat': 0}     in_heat_frames = []     non_in_heat_frames = []     frame_idx = 0      print(f"开始处理视频: {video_path}")      while True:         ret, frame = cap.read()         if not ret: # 检查是否成功读取帧             break # 视频结束或读取失败          frame_idx += 1         # 调整帧大小以提高处理速度，同时保持检测效果         # 注意：如果模型是在特定尺寸下训练的，调整大小可能影响性能         frame_small = cv2.resize(frame, (640, 480)) # 常用尺寸，可根据模型训练尺寸调整          # 使用YOLOv8模型进行预测         # show=False 可以避免实时显示，提高处理速度         results = yolov8_model_in_heat.predict(source=frame_small, conf=0.5, verbose=False) # conf=0.5 是一个示例阈值          # 遍历每个检测结果实例 (通常对单帧输入只有一个实例)         for result_instance in results:             # 遍历每个检测到的边界框             for box in result_instance.boxes:                 # 获取类别ID                 class_id = int(box.cls.item()) # .item() 将张量转换为Python数字                 # 获取类别名称                 class_name = result_instance.names[class_id]                  # 确保类别在预期的计数字典中                 if class_name in class_counts:                     class_counts[class_name] += 1                      # 将帧添加到对应的列表中                     # 注意：这里存储的是原始帧，如果内存是问题，可以考虑只存储路径或处理后的特征                     if class_name == 'non-inheat':                         non_in_heat_frames.append(frame)                     elif class_name == 'inheat':                         in_heat_frames.append(frame)                 else:                     print(f"警告：检测到未知类别 '{class_name}' (ID: {class_id})")          # 打印当前帧的类别计数         if frame_idx % 10 == 0: # 每10帧打印一次，避免频繁输出             print(f"帧 {frame_idx} - 当前类别计数: {class_counts}")          # 达到指定帧数阈值时停止处理         if class_counts['inheat'] >= 50 and class_counts['non-inheat'] >= 50:             print("已达到目标帧数，停止视频处理。")             break      # 释放视频捕获对象和所有OpenCV窗口     cap.release()     cv2.destroyAllWindows()      print(f"视频处理完成。最终类别计数: {class_counts}")      # 堆叠并显示帧 (如果列表非空)     if in_heat_frames:         # 确保所有帧大小一致，以便堆叠         # 获取第一帧的大小作为基准         h_in, w_in, _ = in_heat_frames[0].shape         resized_in_heat_frames = [cv2.resize(f, (w_in, h_in)) for f in in_heat_frames]         stacked_in_heat_frames = np.vstack(resized_in_heat_frames)         cv2.imshow('Stacked In-Heat Frames', stacked_in_heat_frames)     else:         print("没有检测到 'inheat' 帧。")      if non_in_heat_frames:         h_non, w_non, _ = non_in_heat_frames[0].shape         resized_non_in_heat_frames = [cv2.resize(f, (w_non, h_non)) for f in non_in_heat_frames]         stacked_non_in_heat_frames = np.vstack(resized_non_in_heat_frames)         cv2.imshow('Stacked Non-In-Heat Frames', stacked_non_in_heat_frames)     else:         print("没有检测到 'non-inheat' 帧。")      cv2.waitKey(0)     cv2.destroyAllWindows()      # 比较计数并返回具有更高计数的类别     if class_counts['inheat'] > class_counts['non-inheat']:         return 'inheat'     elif class_counts['non-inheat'] > class_counts['inheat']:         return 'non-inheat'     else:         return 'equal_counts' # 或者根据需求处理相等的情况  # 示例用法 (请替换为您的模型路径和视频路径) # if __name__ == "__main__": #     # 假设您的模型文件名为 'best.pt' 并且在当前目录下 #     my_yolov8_model = YOLO('path/to/your/yolov8_model.pt') #     video_file = 'path/to/your/video.mp4' #     dominant_class = process_video_with_second_model(video_file, my_yolov8_model) #     print(f"视频中主要的类别是: {dominant_class}")

大家都在看：