继续我们的目标检测算法的分享，前期我们介绍了SSD目标检测算法的python实现以及Faster-RCNN目标检测算法的python实现以及yolo目标检测算法的darknet的window环境安装，本期我们简单介绍一下如何使用python来进行YOLOV3的对象检测算法
YOLOV3的基础知识大家可以参考往期文章，本期重点介绍如何使用python来实现
1、初始化模型
14-16 行：
模型的初始化依然使用cv下的DNN模型来加载模型，需要注意的是CV的版本需要大于3.4.2
5-8行：
初始化模型在coco上的label以便后期图片识别使用
10-12行：
初始化图片显示方框的颜色
2、加载图片，进行图片识别
输入识别的图片进行图片识别，这部分代码跟往期的SSD 以及RCNN目标检测算法类似
19-20行：输入图片，获取图片的长度与宽度
25-29行：计算图片的blob值，输入神经网络，进行前向反馈预测图片
只不过net.forward里面是ln， 神经网络的所有out层
3、遍历所有的out层，获取检测图片的label与置信度
遍历out层，获取检测到的label值以及置信度，检测到这里YOLOV3以及把所有的检测计算完成，但是由于yolov3对重叠图片或者靠的比较近的图片检测存在一定的问题，使用YOLOV3使用非最大值抑制来抑制弱的重叠边界
竟然把墨镜识别了手机，体现了YOLOV3在重叠图片识别的缺点
4、应用非最大值抑制来抑制弱的重叠边界，显示图片
56： 使用 非最大值抑制来抑制弱的重叠边界
58-59行：遍历所有图片
61-62行：提取检测图片的BOX
64-68行：显示图片信息
70-71行：显示图片
利用python来实现YOLOV3，与SSD 以及RCNN代码有很多类似的地方，大家可以参考往期的文章进行对比学习，把代码执行一遍
进行视频识别的思路：从视频中提取图片，进行图片识别，识别完成后，再把识别的结果实时体现在视频中，这部分代码结合前期的视频识别，大家可以参考多进程视频实时识别篇，因为没有多进程，检测速度很慢，视频看着比较卡
1、初始化模型以及视频流
2、从视频中提取图片，进行图片的blob值计算，进行神经网络的预测
3、提取检测到图片的置信度以及ID值
4、 应用非最大值抑制来抑制弱的重叠边界，显示图片
5、关闭资源，显示图片处理信息
每个目标检测算法都有自己的优缺点，个人感觉，在精度要求不是太高的情况下SSD检测算法可以实现较快的速度实现，毕竟精度差不多的情况下，我们希望速度越快越好
这段代码的思路是先将所有字符按其ASCII值升序排序（list.sort()，关键步骤）
这样同样的字符就会排列在一起，再从头开始统计每段连续出现的字符及其个数
其中a=list[0]表示从头开始统计，a代表上一段连续出现的字符
第一个print()在else: 之后，表示遇到不一样的字符，上一段连续出现的字符终止
那么先print()上一段连续出现的字符及其个数，再重置a为新一段连续出现的字符
第二个print()在for循环之外，表示打印最后一段连续出现的字符及其个数
添加了注释的代码和运行结果如下：
关键在于先排序，再统计每段连续出现的字符，注意不要忘记最后一段~望采纳~
打开winPython工具包输入以下代码，如图所示。from skimage import io
if __name__ == '__main__':
img_name="D:\\WinPython-64bit-3.5.3.0Qt5\\notebooks\\hashiqi.jpg"
print("我的图片！")
img=io.imread(img_name,as_grey=False)
io.imshow(img)
其中变量img_name是为了指定自己图片所存的路径。单击保存按钮，
会跳出一个设置文件名的界面，填入要保存的名字即可。单击运行按钮，一般要单击两次才行，运行代码。单击后，就可以查看的我们显示的图片了。
