树莓派UBUNTU 24.04 PART6 安装好后运行的第一个程序

分类检测

import cv2
import numpy as np
import tensorflow as tf
import os
 
# 使用轻量级模型替代VGG16
def load_lightweight_model():
    try:
        # 尝试使用MobileNetV2或EfficientNet
        model = tf.keras.applications.MobileNetV2(
            weights='imagenet', 
            include_top=True,
            input_shape=(224, 224, 3)
        )
        return model
    except:
        # 如果还不行，使用更小的模型
        model = tf.keras.applications.MobileNet(
            weights='imagenet',
            include_top=True,
            input_shape=(224, 224, 3)
        )
        return model
 
# 加载模型
model = load_lightweight_model()
print("模型加载成功")
 
# 简化版的selective_search函数
def selective_search(image):
    # 使用OpenCV的简单区域提议方法
    ss = cv2.ximgproc.segmentation.createSelectiveSearchSegmentation()
    ss.setBaseImage(image)
    ss.switchToSelectiveSearchFast()
    rects = ss.process()
    return rects[:100]  # 只取前100个区域
 
# 调整图像大小函数
def resize(region, size):
    return cv2.resize(region, size)
 
# 简化的分类和回归函数
def classify_and_regress(features):
    # 这里简化处理，实际需要根据模型输出处理
    predictions = tf.keras.applications.imagenet_utils.decode_predictions(features)
    class_label = predictions[0][0][1]  # 取最可能的类别
    bbox = [0, 0, 224, 224]  # 简化边界框
    return class_label, bbox
 
def show_result(proposal, class_label, bbox,idx):
    print(f"类别: {class_label}, 边界框: {bbox}")
    x1,y1,x2,y2 = bbox
    cv2.rectangle(proposal,(x1, y1), (x2, y2), (0, 255, 0), 2)
    cv2.putText(proposal, class_label, (10, 20),
                cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
    out_file = f"result_{idx}.jpg"
    cv2.imwrite(out_file, proposal)
    print(f"resulut is saved as {out_file}")
    # 在实际应用中这里会显示图像
 
# 主程序
try:
    # 加载图像
    image = cv2.imread('image.jpg')
    if image is None:
        print("无法加载图像，请检查文件路径")
        # 创建测试图像
        image = np.random.randint(0, 255, (300, 300, 3), dtype=np.uint8)
    
    print("开始提取候选区域...")
    # 提取候选区域
    region_proposals = selective_search(image)
    print(f"找到 {len(region_proposals)} 个候选区域")
    
    # 限制处理数量以避免内存不足
    max_proposals = min(10, len(region_proposals))
    
    # 遍历候选区域
    for i, proposal_rect in enumerate(region_proposals[:max_proposals]):
        x, y, w, h = proposal_rect
        proposal_region = image[y:y+h, x:x+w]
        
        if proposal_region.size == 0:
            continue
            
        print(f"处理区域 {i+1}/{max_proposals}")
        
        # 调整候选区域大小
        resized_proposal = resize(proposal_region, (224, 224))
        
        # 预处理图像
        processed_img = tf.keras.applications.mobilenet.preprocess_input(
            np.expand_dims(resized_proposal, axis=0)
        )
        
        # 特征提取
        features = model.predict(processed_img, verbose=0)
        
        # 进行分类
        class_label, bbox = classify_and_regress(features)
        
        # 显示结果
        show_result(resized_proposal, class_label, bbox, i)
        
except Exception as e:
    print(f"错误: {e}")
    print("详细错误信息:")
    import traceback
    traceback.print_exc()

可以在当前目录显示10个图片，具体意思还要再研究一下

下面是kimi给的修改参考

你这段程序在树莓派 Ubuntu 上运行时，结果直接打印在终端里，也就是你运行脚本的命令行界面。
你看到的：

复制

模型加载成功
无法加载图像，请检查文件路径
开始提取候选区域...
找到 100 个候选区域
处理区域 1/10
类别: velvet, 边界框: [0, 0, 224, 224]
...

就是最终“结果”——没有图形界面、没有弹窗、没有保存文件，只是终端标准输出（stdout）。

✅ 如果你希望“看到”更直观的结果，有 3 个可选方向：

1. 把结果画在图像上并保存成文件

（无需显示器，适合树莓派纯终端）

在 show_result() 里加上画图和保存：

Python

复制

def show_result(proposal, class_label, bbox, idx):
    print(f"处理区域 {idx}: 类别: {class_label}, 边界框: {bbox}")
    # 画框
    x1, y1, x2, y2 = bbox
    cv2.rectangle(proposal, (x1, y1), (x2, y2), (0, 255, 0), 2)
    cv2.putText(proposal, class_label, (10, 20),
                cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
    out_file = f"result_{idx}.jpg"
    cv2.imwrite(out_file, proposal)
    print(f"  结果已保存为 {out_file}")

调用处改成：

Python

复制

show_result(resized_proposal, class_label, bbox, i)

运行完后，会在当前目录下生成 result_0.jpg … result_9.jpg， scp 回电脑即可查看。

2. 打开树莓派桌面，用 cv2.imshow 弹窗

（需要接显示器或 VNC）

Python

复制

def show_result(proposal, class_label, bbox, idx):
    print(f"处理区域 {idx}: 类别: {class_label}, 边界框: {bbox}")
    x1, y1, x2, y2 = bbox
    cv2.rectangle(proposal, (x1, y1), (x2, y2), (0, 255, 0), 2)
    cv2.putText(proposal, class_label, (10, 20),
                cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
    cv2.imshow(f"region {idx}", proposal)
    cv2.waitKey(0)          # 按任意键继续
    cv2.destroyAllWindows()

注意：在纯 SSH 终端里运行会报错 Cannot open display，必须进入桌面环境。

3. 把结果写进 txt 文件，事后查看

（最简单，不依赖图形）

Python

复制

with open("result.txt", "w") as f:
    for i, proposal_rect in enumerate(region_proposals[:max_proposals]):
        ...
        line = f"区域{i}: {class_label} {bbox}
"
        f.write(line)

✅ 树莓派推荐方案

因为没有显示器，首选方案 1：
把框画好并保存成 jpg，事后用 scp 或 rsync 传回电脑看图：

bash

复制

scp pi@<pi-ip>:~/your_dir/result_*.jpg ~/Desktop/

✅ 小结

表格

复制

按需要挑一种即可。