开源地址：https://github.com/YuanIdea/yuan 

第1章 导读
第2章 Yuan平台环境配置
第3章 Yuan快速入门
第4章 Yuan添加插件
第5章 视频检测

目录

5.1 环境配置

5.1.1 环境

5.1.2 导出yolov8s.torchscript

5.2 启动程序

5.2.1 打开视频源

5.2.1.1 视频

5.2.1.2 本地摄像头

5.2.1.3 网络摄像头

5.2.2 目标追踪

​​​​​​​5.2.3 切换中英文标签

5.2.4 ​​​​​​​​​​​​​​分类截图

---

        本项目当前支持对MP4视频，笔记本自带摄像头，网络摄像头的目标追踪，以中文和英文方式显示标签。支持对视频中的目标图像，自动分类抠图。

        在使用视频检测前，到https://github.com/YuanIdea/yuan下载源码，其中，yuan\plugins\yuan-detection目录下为Java版的视频检测项目。

5.1 环境配置

        本章介绍如何通过DJL在java中调用yolov8进行推理。Deep Java Library是由亚马逊（Amazon）提供的一个深度学习工具包，能够让java开发者在java上调用目前主流的深度学习框架，像pytorch、tensorflow、mxnet、paddlepaddle,也包括onnx格式的模型。

5.1.1 环境

        YuanIdea1.8 or Idea、pytorch-native-cpu-2.7.1、java11、Deep Java Library0.36.0、yolov8s、javacv1.5.11

5.1.2 导出yolov8s.torchscript

 【免费】yolov5和yolov8资源-CSDN下载

         本章节直接使用yolov8s的预训练模型，导出模型前，可以通过上面的链接下载yolov8s.pt文件放在与导出代码同目录下，模型导出脚本是代码如下。资源中同时包括导出后的yolov8s.torchscript模型文件。

from ultralytics import YOLO
def export_torchscript_model():
    model_path = "yolov8s.pt"
    input_size = 640
    model = YOLO(model_path)
    model.export(
        format="torchscript",
        imgsz=input_size,
        device="cpu",
        half=False,
        dynamic=False,
        simplify=True
    )
export_torchscript_model()

        注意，本文版本python3.13，torch-2.9.1。导出成功后，信息如下所示，不同环境的版本可能输出信息不完全一致。

Ultralytics 8.3.250  Python-3.13.11 torch-2.9.1+cu128 CPU (AMD Ryzen AI 9 HX 370 w/ Radeon 890M)
YOLOv8s summary (fused): 72 layers, 11,156,544 parameters, 0 gradients, 28.6 GFLOPs

PyTorch: starting from 'yolov8s.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (21.5 MB)

TorchScript: starting export with torch 2.9.1+cu128...
TorchScript: export success  2.1s, saved as 'yolov8s.torchscript' (43.0 MB)

Export complete (2.8s)
Results saved to D:\WorkSpace\fish
Predict:         yolo predict task=detect model=yolov8s.torchscript imgsz=640  
Validate:        yolo val task=detect model=yolov8s.torchscript imgsz=640 data=coco.yaml  
Visualize:       https://netron.app

Process finished with exit code 0

        将自己导出的或者是上面网址中下载的yolov8s.torchscript文件，放在yuan-detection/model/目录下。

5.2 启动程序

        可以使用YuanIdea或者IntelliJ IDEA运行yuan-detection，运行效果如图 5‑1所示。

图 5‑1 视频检测

5.2.1 打开视频源

        选择“打开视频”菜单下的“本地视频”，选择一个提前录制好开源项目的mp4视频，效果如图 5‑2。

5.2.1.1 视频

        选择“打开视频”菜单下的“本地视频”，选择一个提前录制好的mp4视频，效果如图 5‑2。

图 5‑2 播放MP4

5.2.1.2 本地摄像头

        选择“打开视频”菜单下的“本摄像头”。选择“操作”菜单下的“目标追踪”，如图 5‑3为笔记本摄像头的目标追踪。

图 5‑3 本地摄像头

5.2.1.3 网络摄像头

        选择“打开视频”菜单下的“网络摄像头”。在图 5‑4中先择“RTSP”协议，配置网络摄像头的连接信息。

图 5‑4 网络摄像头配置

        选择“操作”菜单下的“目标追踪”，图 5‑5为海康网络摄像头的的目标追踪。

图 5‑5 摄像头目标追踪

​​​​​​​5.2.2 目标追踪

        打开任意一种视频源，例如图 5‑2，选择“操作”菜单下的“目标追踪”，为效果图 5‑6。

图 5‑6 视频目标追踪

再次点击“目标追踪”菜单，可以取消目标追踪功能，回到普通视频状态，如图 5‑2所示。

​​​​​​​5.2.3 切换中英文标签

        点击“文件”下的“中文标签”菜单，实现中英文标签的实时切换，在显示目标追踪标签时，可以看到中英文标签效果。

5.2.4 ​​​​​​​​​​​​​​分类截图

        点击“操作”下的“保存分类截图”菜单，可以启动将追踪的分类保存到磁盘功能，保存为当前项目的data文件夹下。例如，将图 5‑6中的内容分类保存效果为图 5‑7。

图 5‑7 分类截图

上一篇