Python是一種廣泛使用的編程語言，由于其簡單易用、功能強大且生態豐富而受到了廣泛的關注。近年來，在計算機視覺領域，Python也變得越來越受歡迎。在本文中，我們將介紹如何使用Python完成目標檢測實例。

# 引入所需的庫
import cv2
import numpy as np
import tensorflow as tf
# 加載模型
model = tf.keras.models.load_model('model_path')
# 定義目標檢測函數
def detect_obj(img):
# 對圖像進行預處理，如縮放、歸一化等
img = cv2.resize(img, (224, 224))
img = img / 255.0
img = np.expand_dims(img, axis=0)
# 使用模型進行預測
predictions = model.predict(img)
# 根據閾值過濾預測結果
threshold = 0.5
results = []
for i in range(predictions.shape[1]):
if predictions[0, i] >threshold:
results.append(i)
return results
# 加載測試圖像
img_path = 'test.jpg'
img = cv2.imread(img_path)
# 使用目標檢測函數進行檢測
results = detect_obj(img)
# 顯示檢測結果
for result in results:
print('Detected object:', result)

在代碼中，我們首先引入所需的庫，并加載預訓練的目標檢測模型。隨后定義了一個目標檢測函數，該函數通過對輸入的圖像進行預處理和模型預測，實現了對圖像中出現的目標物體的檢測。具體來說，我們將圖像縮放至224×224，歸一化，擴展維度，然后通過模型的預測得到一個概率向量。最后，通過閾值過濾的方式，將預測得分大于0.5的類別視為檢測到的目標類別，輸出到結果列表中。 在加載測試圖像后，我們調用目標檢測函數，得到檢測結果。最后，我們將檢測結果輸出至控制臺中，以便查看檢測效果。