3. 模型加载与基础推理：cv2.dnn.readNet()详解、blobFromImage参数调优、前向传播与输出解析

好，到了真正动手跑模型的时候了。前面两章我们把环境搭好、把模型文件准备好，现在要做的就是把YOLO加载进内存，让它真正“看”到一张图片。

这一章我会带你走完三个核心步骤：加载网络、预处理图像、执行推理并解析结果。每一步都有坑，我当年踩过的，今天帮你填平。

3.1 cv2.dnn.readNet()：加载模型的三种姿势

OpenCV的dnn模块支持多种后端。加载模型时，你需要告诉它：模型结构文件在哪、权重文件在哪、用什么框架格式。

net = cv2.dnn.readNet(model, config=None, framework=None)

实际项目中，我遇到过三种常见场景：

我个人习惯用ONNX格式。为什么？因为一个文件搞定，不用操心cfg解析的兼容性问题。而且ONNX的算子优化做得更好，推理速度通常比直接加载Darknet快10%~20%。

3.2 blobFromImage：图像预处理的艺术

模型加载完了，下一步是把图像转成模型能吃的格式。这个函数叫blobFromImage，说白了就是把一张HWC的图片，变成NCHW的4维张量。

blob = cv2.dnn.blobFromImage(
    image,           # 输入图像，BGR格式
    scalefactor=1.0, # 缩放因子，通常1/255
    size=(416, 416), # 目标尺寸
    mean=(0,0,0),    # 减均值
    swapRB=True,     # 是否交换R和B通道
    crop=False       # 是否中心裁剪
)

每个参数都有讲究，我一个个说。

3.2.1 scalefactor：归一化怎么做？

YOLO训练时，输入像素值被归一化到[0,1]。所以推理时也要做同样的事。scalefactor=1.0/255.0就是最常见的做法。

但注意：如果你加载的是ONNX模型，有些导出工具已经把归一化写进了模型里。这时候你再除以255，等于归一化了两次，结果全错。

3.2.2 size：输入分辨率怎么选？

YOLO的输入尺寸通常是32的倍数。常见选项：

• 320×320：轻量，适合边缘设备，小目标容易漏
• 416×416：YOLOv3/v4默认，速度和精度平衡
• 640×640：YOLOv5/v8默认，精度高，速度慢

你想想看，分辨率越大，模型看到的细节越多，但计算量是平方级增长的。从416到640，像素数多了2.4倍，推理时间也差不多翻倍。

3.2.3 swapRB与mean：颜色空间的事

OpenCV读图是BGR顺序，但YOLO训练时用的是RGB。所以swapRB=True必须打开，否则颜色通道错乱，模型会认不出物体。

mean参数用来减均值。YOLO官方代码里没有减均值操作，所以设成(0,0,0)就行。如果你用其他预训练模型（比如SSD），可能需要减(104, 117, 123)。

3.3 前向传播：让模型跑起来

预处理完，把blob塞进网络，调用forward。这一步其实很简单：

net.setInput(blob)
outputs = net.forward(outputNames)

但这里有个关键问题：outputNames是什么？

YOLO模型有多个输出层，每个输出层负责检测不同尺度的物体。以YOLOv3为例，它有3个输出层，分别对应13×13、26×26、52×52的特征图。

获取输出层名称的标准做法：

layerNames = net.getLayerNames()
outputNames = [layerNames[i - 1] for i in net.getUnconnectedOutLayers()]

这段代码的意思是：找到所有没有连接到下一层的层——这些就是输出层。我刚开始做的时候直接传空字符串net.forward()，结果返回的是最后一层的输出，漏掉了两个尺度，小目标一个都检测不到。

3.4 输出解析：从张量到边界框

前向传播返回的是一个列表，每个元素是一个numpy数组，形状为(1, 255, grid_h, grid_w)。为什么是255？因为每个格子预测3个anchor，每个anchor有85个值（4个坐标 + 1个置信度 + 80个类别概率）。

解析流程我总结成五步：

1. 遍历每个输出层，拿到特征图
2. 遍历每个格子，拿到预测值
3. 解析坐标：中心点(x,y)、宽高(w,h)都是相对于格子尺寸的偏移，需要还原到原图坐标
4. 计算置信度：物体置信度 × 类别概率最大值
5. 过滤低分框：只保留置信度大于阈值的框

核心代码片段：

for output in outputs:
    for detection in output:
        scores = detection[5:]
        classId = np.argmax(scores)
        confidence = scores[classId]
        if confidence > confThreshold:
            # 还原坐标到原图尺寸
            centerX = int(detection[0] * w)
            centerY = int(detection[1] * h)
            width = int(detection[2] * w)
            height = int(detection[3] * h)
            left = int(centerX - width / 2)
            top = int(centerY - height / 2)
            boxes.append([left, top, width, height])
            confidences.append(float(confidence))
            classIds.append(classId)

这里要注意：detection[0]到detection[3]是归一化后的坐标，范围[0,1]。乘以原图宽高才能得到像素坐标。

3.5 NMS：去掉重复框

模型会在同一个物体周围预测多个框。我们需要用非极大值抑制（NMS）来合并它们。

indices = cv2.dnn.NMSBoxes(boxes, confidences, confThreshold, nmsThreshold)

两个阈值怎么调？

• confThreshold：置信度阈值，我一般设0.5。设高了漏检，设低了误检多。
• nmsThreshold：IoU阈值，默认0.4。设大了框叠在一起，设小了同一个物体出多个框。

3.6 完整推理流程SVG

下面这张图把整个流程串起来了，你可以对照着看：

3.7 完整代码示例

最后，给你一个可以直接跑的完整脚本。把模型路径换成你的文件就行。

import cv2
import numpy as np

# 1. 加载模型
net = cv2.dnn.readNet('yolov5s.onnx')

# 2. 读取图像
img = cv2.imread('test.jpg')
h, w = img.shape[:2]

# 3. 预处理
blob = cv2.dnn.blobFromImage(img, scalefactor=1.0/255.0,
                             size=(640, 640), swapRB=True)

# 4. 前向传播
net.setInput(blob)
layerNames = net.getLayerNames()
outputNames = [layerNames[i - 1] for i in net.getUnconnectedOutLayers()]
outputs = net.forward(outputNames)

# 5. 解析输出
boxes, confidences, classIds = [], [], []
for output in outputs:
    for detection in output:
        scores = detection[5:]
        classId = np.argmax(scores)
        confidence = scores[classId]
        if confidence > 0.5:
            cx, cy, bw, bh = detection[:4] * np.array([w, h, w, h])
            left = int(cx - bw / 2)
            top = int(cy - bh / 2)
            boxes.append([left, top, int(bw), int(bh)])
            confidences.append(float(confidence))
            classIds.append(int(classId))

# 6. NMS
indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)

# 7. 绘制结果
for i in indices.flatten():
    x, y, bw, bh = boxes[i]
    cv2.rectangle(img, (x, y), (x+bw, y+bh), (0, 255, 0), 2)
    label = f'{classIds[i]}: {confidences[i]:.2f}'
    cv2.putText(img, label, (x, y-5),
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1)

cv2.imshow('Result', img)
cv2.waitKey(0)