YOLOv8摄像头实时目标检测搭建笔记

1.实现原理

  1. 搭建RTMP流媒体服务器
  2. 手机安装推流软件直播推送到流媒体服务器
  3. YOLOv8从RTMP服务器拉流获取,并实现实时目标检测

2.搭建SRS流媒体服务器

安装地址: Build | SRS (ossrs.net)

3.手机摄像头直播推流

下载app: 易推流

4.查看rtmp服务器

5.执行yolov8脚本程序

python 复制代码
import cv2
import subprocess
from ultralytics import YOLO

# 载入 YOLOv8 模型
model = YOLO('model/yolov8n.pt')

# 获取本地视频内容
# cap = cv2.VideoCapture("video/source.flv")

# 通过cv2中的类获取视频流操作对象cap
rtmp_str = 'rtmp://192.168.2.114/live/videoName'
cap = cv2.VideoCapture(rtmp_str)

# 获取原视频的宽度和高度
original_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
original_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = int(cap.get(cv2.CAP_PROP_FPS))


# 设置 FFmpeg 子进程,用于推流
# 修改为您的 NGINX RTMP 服务器地址
rtmp_url = 'rtmp://192.168.2.114/live/stream'
command = ['ffmpeg',
          '-y',
          '-f', 'rawvideo',
          '-vcodec', 'rawvideo',
          '-pix_fmt', 'bgr24',
          '-s', "{}x{}".format(original_width, original_height),
          '-r', str(fps),
          '-i', '-',
          '-c:v', 'libx264',
          '-pix_fmt', 'yuv420p',
          '-preset', 'ultrafast',
          '-f', 'flv',
          rtmp_url]

# 启动 FFmpeg 进程
proc = subprocess.Popen(command, stdin=subprocess.PIPE)

# 循环遍历视频帧
while cap.isOpened():
   # 从视频中读取一帧
   success, frame = cap.read()

   if success:
       # 对帧运行 YOLOv8 推理
       results = model(frame)

       # 在帧上可视化结果
       annotated_frame = results[0].plot()

       # 将处理后的帧写入 FFmpeg 进程
       proc.stdin.write(annotated_frame.tobytes())

       # 显示带有标注的帧
       cv2.imshow("YOLOv8 推理", annotated_frame)

       # 如果按下 'q' 键,则中断循环
       if cv2.waitKey(1) & 0xFF == ord("q"):
           break
   else:
       break

# 释放视频捕获对象
cap.release()

# 关闭 FFmpeg 进程
proc.stdin.close()
proc.wait()

# 关闭显示窗口
cv2.destroyAllWindows()

6.执行程序

相关推荐
喝拿铁写前端5 小时前
别再让 AI 直接写页面了:一种更稳的中后台开发方式
前端·人工智能
tongxianchao6 小时前
UPDP: A Unified Progressive Depth Pruner for CNN and Vision Transformer
人工智能·cnn·transformer
塔能物联运维7 小时前
设备边缘计算任务调度卡顿 后来动态分配CPU/GPU资源
人工智能·边缘计算
过期的秋刀鱼!7 小时前
人工智能-深度学习-线性回归
人工智能·深度学习
木头左7 小时前
高级LSTM架构在量化交易中的特殊入参要求与实现
人工智能·rnn·lstm
IE067 小时前
深度学习系列84:使用kokoros生成tts语音
人工智能·深度学习
欧阳天羲7 小时前
#前端开发未来3年(2026-2028)核心趋势与AI应用实践
人工智能·前端框架
IE067 小时前
深度学习系列83:使用outetts
人工智能·深度学习
水中加点糖8 小时前
源码运行RagFlow并实现AI搜索(文搜文档、文搜图、视频理解)与自定义智能体(一)
人工智能·二次开发·ai搜索·文档解析·ai知识库·ragflow·mineru
imbackneverdie8 小时前
如何用AI工具,把文献综述从“耗时费力”变成“高效产出”?
人工智能·经验分享·考研·自然语言处理·aigc·ai写作