Искусственный интеллект в прикладных науках. Транспорт и логистика. Джейд Картер

      # Обработка выходных данных нейронной сети

      for out in outs:

      for detection in out:

      scores = detection[5:]

      class_id = np.argmax(scores)

      confidence = scores[class_id]

      if confidence > 0.5:

      # Параметры ограничивающего прямоугольника

      center_x = int(detection[0] * width)

      center_y = int(detection[1] * height)

      w = int(detection[2] * width)

      h = int(detection[3] * height)

      x = int(center_x – w / 2)

      y = int(center_y – h / 2)

      boxes.append([x, y, w, h])

      confidences.append(float(confidence))

      class_ids.append(class_id)

      # Отображение результатов

      for i in range(len(boxes)):

      x, y, w, h = boxes[i]

      label = str(classes[class_ids[i]])

      confidence = confidences[i]

      color = (0,255,0)

      cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)

      cv2.putText(image, label + " " + str(round(confidence, 2)), (x, y – 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

      # Отображение изображения с обнаруженными объектами

      cv2.imshow("Object Detection", image)

      cv2.waitKey(0)

      cv2.destroyAllWindows()

      ```

      Примечание:

      – Вам нужно иметь предварительно обученную модель (например, YOLO) и файл с классами объектов (например, coco.names).