这个小项目是基于flask微型目标检测服务。使用的是YOLOv3版本，使用的是在coco数据集上已经训练好的参数。整个目录结构如下（我运行的环境是window10，pycharm）：
其中：
cfg是YOLOv3的配置文件，包括权重，网络结构和coco数据集的标签； static是通过网络访问该服务时被保存的图片； templates是网页UI的代码； flask_yolo.py是启动该服务的入口； testYoloSer.py是测试该服务的接口代码； yolomain.py是YOLOv3的实现代码；
项目下载地址：https://download.csdn.net/download/qq_31112205/11795537
需要注意的是，由于上传大小的限制只能上传小于220M的文件，而该目录中yolov3_coco.weights就有230多M。如果想运行你需要下载该文件，当然你用积分下载该项目后不想自己找，也可以在下面评论留言，我可以发给你。
其中，主要文件的代码如下：
flask_yolo.py
# -*- coding: utf-8 -*-## Author: weiz# Date: 2019/9/16 14:12# Name: flask_yolo# Description: 一个可以在浏览器使用YOLO目标检测的函数，和一个可以通过网络访问的YOLO目标检测的接口# 直接运行就可以在浏览器上面输入带检测图片，并返回检测的结果；同时，可以接受通过局域网# 访问该接口的服务。from flask import Flask, render_template, request, jsonify, make_responsefrom werkzeug.utils import secure_filenameimport osimport cv2import timeimport jsonfrom PIL import Imagefrom io import BytesIOimport jsonimport numpy as npfrom datetime import timedeltaimport yolomain# 设置允许的文件格式ALLOWED_EXTENSIONS = set([\'png\', \'jpg\', \'JPG\', \'PNG\', \'bmp\'])def allowed_file(filename): return \'.\' in filename and filename.rsplit(\'.\', 1)[1] in ALLOWED_EXTENSIONSapp = Flask(__name__)# 设置静态文件缓存过期时间app.send_file_max_age_default = timedelta(seconds=1)# @app.route(\'/upload\', methods=[\'POST\', \'GET\'])@app.route(\'/upload\', methods=[\'POST\', \'GET\']) # 添加路由def upload(): if request.method == \'POST\': f = request.files[\'file\'] if not (f and allowed_file(f.filename)): return jsonify({\"error\": 1001, \"msg\": \"请检查上传的图片类型，仅限于png、PNG、jpg、JPG、bmp\"}) user_input = request.form.get(\"name\") # 当前文件所在路径 basepath = os.path.dirname(__file__) # 注意：没有的文件夹一定要先创建，不然会提示没有该路径 upload_path = os.path.join(basepath, \'static/images\', secure_filename(f.filename)) f.save(upload_path) lab, img, loc = yolomain.yolo_detect(pathIn=upload_path) cv2.imwrite(os.path.join(basepath, \'static/images\', \'test.jpg\'), img) return render_template(\'upload_ok.html\', userinput=user_input, val1=time.time(), data_dict=lab) return render_template(\'upload.html\')@app.route(\'/yolo_service\',methods=[\'POST\'])def detection(): img = request.stream.read() f = BytesIO(img) image = Image.open(f) image = np.array(image, dtype=\'float32\') boxes, lab = yolomain.yolo_ser(image) rsp = make_response(json.dumps(lab)) rsp.mimetype = \'application/json\' rsp.headers[\'Connection\'] = \'close\' return rspif __name__ == \'__main__\': app.run(host=\'0.0.0.0\', port=5000)
testYoloSer.py
# -*- coding: utf-8 -*-## Author: weiz# Date: 2019/9/16 17:05# Name: test_yolo# Description: 测试YOLOweb服务是否可以使用的代码（请先运行flask_yolo.py）import requestsimport osimport jsonif __name__ == \'__main__\': # 注意填写自己电脑的IP地址 url = \'http://192.168.124.19:5000/yolo_service\' headers = {\'Content-Type\': \'image/jpeg\'} file = {\'media\': open(\'./static/images/test.jpg\', \'rb\')} requests.post(url, files=file) data = open(\'./static/images/test.jpg\', \'rb\').read() r = requests.post(url, data=data, headers=headers, verify=False) print(\"类别：置信度 (左上角X坐标,左上角Y坐标) (目标的宽, 目标的高)\") print(r.text)
yolomain.py
# -*- coding: utf-8 -*-# Author: weiz# Date: 2019/9/16 17:00# Name: test_yolo# Description: YOLOv3目标检测的代码，提供检测的接口；也可以单独运行。# 载入所需库import cv2import numpy as npimport osimport timedef yolo_detect(im=None, pathIn=None, label_path=\'./cfg/coco.names\', config_path=\'./cfg/yolov3_coco.cfg\', weights_path=\'./cfg/yolov3_coco.weights\', confidence_thre=0.5, nms_thre=0.3): im:原始图片 pathIn：原始图片的路径 label_path：类别标签文件的路径 config_path：模型配置文件的路径 weights_path：模型权重文件的路径 confidence_thre：0-1，置信度（概率/打分）阈值，即保留概率大于这个值的边界框，默认为0.5 nms_thre：非极大值抑制的阈值，默认为0.3 # 加载类别标签文件 LABELS = open(label_path).read().strip().split(\"\\n\") nclass = len(LABELS) # 为每个类别的边界框随机匹配相应颜色 np.random.seed(42) COLORS = np.random.randint(0, 255, size=(nclass, 3), dtype=\'uint8\') # 载入图片并获取其维度 #base_path = os.path.basename(pathIn) if pathIn == None: img = im else: img = cv2.imread(pathIn) (H, W) = img.shape[:2] net = cv2.dnn.readNetFromDarknet(config_path, weights_path) # 获取YOLO输出层的名字 ln = net.getLayerNames() ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()] # 将图片构建成一个blob，设置图片尺寸，然后执行一次 # YOLO前馈网络计算，最终获取边界框和相应概率 blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (416, 416), swapRB=True, crop=False) net.setInput(blob) start = time.time() layerOutputs = net.forward(ln) end = time.time() # 初始化边界框，置信度（概率）以及类别 boxes = [] confidences = [] classIDs = [] # 迭代每个输出层，总共三个 for output in layerOutputs: # 迭代每个检测 for detection in output: # 提取类别ID和置信度 scores = detection[5:] classID = np.argmax(scores) confidence = scores[classID] # 只保留置信度大于某值的边界框 if confidence confidence_thre: # 将边界框的坐标还原至与原图片相匹配，记住YOLO返回的是 # 边界框的中心坐标以及边界框的宽度和高度 box = detection[0:4] * np.array([W, H, W, H]) (centerX, centerY, width, height) = box.astype(\"int\") # 计算边界框的左上角位置 x = int(centerX - (width / 2)) y = int(centerY - (height / 2)) # 更新边界框，置信度（概率）以及类别 boxes.append([x, y, int(width), int(height)]) confidences.append(float(confidence)) classIDs.append(classID) # 使用非极大值抑制方法抑制弱、重叠边界框 idxs = cv2.dnn.NMSBoxes(boxes, confidences, confidence_thre, nms_thre) lab = [] loc = [] # 确保至少一个边界框 if len(idxs) 0: # 迭代每个边界框 for i in idxs.flatten(): # 提取边界框的坐标 (x, y) = (boxes[i][0], boxes[i][1]) (w, h) = (boxes[i][2], boxes[i][3]) # 绘制边界框以及在左上角添加类别标签和置信度 color = [int(c) for c in COLORS[classIDs[i]]] cv2.rectangle(img, (x, y), (x + w, y + h), color, 2) text = \'{}: {:.3f}\'.format(LABELS[classIDs[i]], confidences[i]) (text_w, text_h), baseline = cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 2) cv2.rectangle(img, (x, y-text_h-baseline), (x + text_w, y), color, -1) cv2.putText(img, text, (x, y-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 2) text_inf = text + \' \' + \'(\' + str(x) + \',\' + str(y) + \')\' + \' \' + \'宽:\' + str(w) + \'高:\' + str(h) loc.append([x, y, w, h]) lab.append(text_inf) return lab, img, loc