在上一節內容中，介紹了如何將YOLO應用於圖像目標檢測中，那麼在學會檢測單張圖像後，我們也可以利用YOLO算法實現視頻流中的目標檢測。
將YOLO應用於視頻流對象檢測
首先打開 yolo_video.py文件並插入以下代碼：
同樣，首先從導入相關數據包和命令行參數開始。與之前不同的是，此腳本沒有-- image參數，取而代之的是量個視頻路徑：
-- input ：輸入視頻文件的路徑；-- output ：輸出視頻文件的路徑；視頻的輸入可以是手機拍攝的短視頻或者是網上搜索到的視頻。另外，也可以通過將多張照片合成為一個短視頻也可以。本博客使用的是在PyImageSearch上找到來自imutils的VideoStream類的 示例。
下面的代碼與處理圖形時候相同：
在這裡，加載標籤並生成相應的顏色，然後加載YOLO模型並確定輸出層名稱。接下來，將處理一些特定於視頻的任務：
在上述代碼塊中：
打開一個指向視頻文件的文件指針，循環讀取幀；初始化視頻編寫器 （writer）和幀尺寸；嘗試確定視頻文件中的總幀數（total），以便估計整個視頻的處理時間；之後逐個處理幀：
上述定義了一個 while循環， 然後從第一幀開始進行處理，並且會檢查它是否是視頻的最後一幀。
接下來，如果尚未知道幀的尺寸，就會獲取一下對應的尺寸。
接下來，使用當前幀作為輸入執行YOLO的前向傳遞 ：
在這裡，構建一個 blob 並將其傳遞通過網絡，從而獲得預測。然後繼續初始化之前在圖像目標檢測中使用過的三個列表： boxes 、 confidences、classIDs ：
在上述代碼中，與圖像目標檢測相同的有：
循環輸出層和檢測；提取 classID並過濾掉弱預測；計算邊界框坐標；更新各自的列表；接下來，將應用非最大值抑制：
同樣的，在上述代碼中與圖像目標檢測相同的有：
使用cv2.dnn.NMSBoxes函數用於抑制弱的重疊邊界框，可以在此處閱讀有關非最大值抑制的更多信息；循環遍歷由NMS計算的idx，並繪製相應的邊界框+標籤；最終的部分代碼如下：
總結一下：
初始化視頻編寫器（writer），一般在循環的第一次迭代被初始化；列印出對處理視頻所需時間的估計；將幀（frame）寫入輸出視頻文件；清理和釋放指針；現在，打開一個終端並執行以下命令：
圖6：YOLO應用於車禍視頻對象檢測
在視頻/ GIF中，你不僅可以看到被檢測到的車輛，還可以檢測到人員以及交通信號燈！YOLO目標檢測器在該視頻中表現相當不錯。讓現在嘗試同一車追逐視頻中的不同視頻：
圖7：在該視頻中，使用OpenCV和YOLO對象檢測來找到該嫌疑人，嫌疑人現在已經逃離汽車並正位於停車場
YOLO再一次能夠檢測到行人！或者嫌疑人回到他們的車中並繼續追逐：
圖8：YOLO是一種快速深度學習對象檢測器，能夠在使用GPU的情況下用於實時視頻
最後一個例子，讓我們看看如何使用YOLO作為構建流量計數器：
圖9：立交橋交通視頻表明，YOLO和OpenCV可準確、快速地檢測汽車
下面匯總YOLO視頻對象檢測完整視頻：
Quaker Oats汽車追逐視頻；Vlad Kiraly立交橋視頻；「White Crow」音頻；
YOLO目標檢測器的局限和缺點
YOLO目標檢測器的最大限制和缺點是：
它並不總能很好地處理小物體；它尤其不適合處理密集的對象；限制的原因是由於YOLO算法其本身：
YOLO對象檢測器將輸入圖像劃分為SxS網格，其中網格中的每個單元格僅預測單個對象；如果單個單元格中存在多個小對象，則YOLO將無法檢測到它們，最終導致錯過對象檢測；因此，如果你的數據集是由許多靠近在一起的小對象組成時，那麼就不應該使用YOLO算法。就小物體而言，更快的R-CNN往往效果最好，但是其速度也最慢。在這裡也可以使用SSD算法， SSD通常在速度和準確性方面也有很好的權衡。
值得注意的是，在本教程中，YOLO比SSD運行速度慢，大約慢一個數量級。因此，如果你正在使用預先訓練的深度學習對象檢測器供OpenCV使用，可能需要考慮使用SSD算法而不是YOLO算法。因此，在針對給定問題選擇對象檢測器時，我傾向於使用以下準則：
如果知道需要檢測的是小物體並且速度方面不作求，我傾向於使用faster R-CNN算法；如果速度是最重要的，我傾向於使用YOLO算法；如果需要一個平衡的表現，我傾向於使用SSD算法；
想要訓練自己的深度學習目標檢測器？
圖10：在我的書「使用Python進行計算機視覺的深度學習」中，我介紹了多種對象檢測算法，包括fasterR-CNN、SSD、RetinaNet。書中講述了如何創建對象檢測圖像數據集、訓練對象檢測器並進行預測。
在本教程中，使用的YOLO模型是在COCO數據集上預先訓練的.。但是，如果想在自己的數據集上訓練深度學習對象檢測器，該如何操作呢？大體思路是自己標註數據集，按照darknet網站上的指示及網上博客自己更改相應的參數訓練即可。或者在我的書「 深度學習計算機視覺與Python」中，詳細講述了如何將faster R-CNN、SSD和RetinaNet應用於：
檢測圖像中的徽標；檢測交通標誌；檢測車輛的前視圖和後視圖（用於構建自動駕駛汽車應用）；檢測圖像和視頻流中武器；書中的所有目標檢測章節都包含對算法和代碼的詳細說明，確保你能夠成功訓練自己的對象檢測器。在這裡可以了解有關我的書的更多信息（並獲取免費的示例章節和目錄）。
總結
在本教程中，我們學習了如何使用Deep Learning、OpenCV和Python完成YOLO對象檢測。然後，我們簡要討論了YOLO架構，並用Python實現：
將YOLO對象檢測應用於單個圖像；將YOLO對象檢測應用於視頻流；在配備的3GHz Intel Xeon W處理器的機器上，YOLO的單次前向傳輸耗時約0.3秒； 但是，使用單次檢測器（SSD），檢測耗時只需0.03秒，速度提升了一個數量級。對於使用OpenCV和Python在CPU上進行基於實時深度學習的對象檢測，你可能需要考慮使用SSD算法。如果你有興趣在自己的自定義數據集上訓練深度學習對象檢測器，請務必參閱寫的「使用Python進行計算機視覺深度學習」，其中提供了有關如何成功訓練自己的檢測器的詳細指南。