2024年最新计算机视觉项目实战-目标检测与识别_utils_paths(4)_2024最新目标检测网络

        # 检查该文件是否为图像，是否应该进行处理
        if validExts is None or ext.endswith(validExts):
            # 构造到图像的路径并生成它
            imagePath = os.path.join(rootDir, filename)
            yield imagePath
1
2
3
4
5

首先这个模块定义了照片的类型，都可以是什么格式的其中包括jpg、png等等。  
 `os.walk（path）`是一个目录的迭代器。其中返回三个参数。


1. root就是本身的地址。
2. dirs就是该文件夹下的子文件夹目录。
3. filenames是path路径下文件。


我们这个模块的目标就是要拿到照片的路径。并且yield回主程序当中。yield表示一个一个返回，返回一个然后处理，然后在返回去一个，直到结束。然后这里面判断了一下照片的拓展名，然后进行了判断看文件的拓展名和我们设置的那几个一致不一致。如果一致，就可以进行路径提取了~



1
2
3
4
5
6
7
8
9
10
11
12
13
14

rows = open(“synset_words.txt”).read().strip().split(“\n”)
classes = [r[r.find(" “) + 1:].split(”,")[0] for r in rows]

我们先要对标签文件进行处理！那么这里`strip()`表示消除空格。`split("\n")`这里就是以空格为分隔符。也就是说我们要一行一行的处理。我们截取一部分来看一下。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/aacb82e6482f454492f84b57185cc4eb.png)  
 遍历每一行，然后从第二个元素开始找，并且以`，`为分隔符来看分类标签都是什么。这里就把分类标签弄好了。  
 这里我们用到了深度学习当中的`caffe`，导入的是所需要的配置文件。



1
2
3
4
5
6
7
8

net = cv2.dnn.readNetFromCaffe(“bvlc_googlenet.prototxt”,
“bvlc_googlenet.caffemodel”)

`cv2.dnn.readNetFromCaffe`用于读取已经训练好的caffe模型。我们截取配置文件的其中一部分来看一下。  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/ecf68d7aa62245b98294c7528159850b.png)  
 我们可以看到就是做了卷积，池化等操作。同深度学习中的卷积神经网络的做法较为相似，
1
2
3