import numpy as npimport tensorflow as tfimport cv2from IPython.display import Image,displayfrom tensorflow.keras.models import load_modelfrom yolo_utils import read_classes,read_anchors,yolo_head,preprocess_image,generate_colors,draw_outputs%matplotlib inline

################################################################################################ 过滤概率低的边框# 参数：# box_confidence：装载着每个边框的pc# boxes：装载着每个边框的坐标# box_class_probs：装载着每个边框的80个种类的概率# threshold：阈值，概率低过这个值的边框会被过滤掉## 返回值：# scores：装载保留下的那些边框的概率# boxes：装载保留下的那些边框的坐标# classes：装载保留下的那些边框的种类的索引###############################################################################################def yolo_filter_boxes(box_confidence,boxes,box_class_probs,threshold=.6):    # 将pc和c相乘，得到具体某个种类是否存在的概率    box_scores=box_confidence*box_class_probs
    # 获取概率最大的那个种类的索引    box_classes=tf.argmax(box_scores,axis=-1)
    # 获取概率最大的那个种类的概率值    box_class_scores=tf.reduce_max(box_scores,axis=-1)
    # 创建一个过滤器，当某个种类的概率值大于等于阈值时，对应这个种类的filtering_mask中的位置就是true，否则就是false    # filtering_mask就是[false，true，...，false，true]这种形式    filtering_mask=tf.greater_equal(box_class_scores,threshold)
    # 用上面的过滤器过滤掉那些概率小的边框    # 过滤完成后，scores和boxes，classes里面就只装载了概率大的边框的概率值和坐标以及种类索引了    scores=tf.boolean_mask(box_class_scores,filtering_mask)    boxes=tf.boolean_mask(boxes,filtering_mask)    classes=tf.boolean_mask(box_classes,filtering_mask)    return scores,boxes,classes
# 模块测试box_confidence=tf.random.normal([13,13,3,1],mean=1,stddev=4,seed=1)boxes=tf.random.normal([13,13,3,4],mean=1,stddev=4,seed=1)box_class_probs=tf.random.normal([13,13,3,80],mean=1,stddev=4,seed=1)scores,boxes,classes=yolo_filter_boxes(box_confidence,boxes,box_class_probs,0.5)print("scores[2]=",scores[2])print("boxes[2]=",boxes[2])print("classes[2]=",classes[2])print("scores.shape=",scores.shape)print("boxes.shape=",boxes.shape)print("classes.shape=",classes.shape)

################################################################################################ 用非最大值抑制技术过滤掉重叠的边框# 参数：# scores：前面yolo_filter_boxes函数保留下的那些边框的概率值# boxes：前面yolo_filter_boxes函数保留下的那些边框的坐标# classes：前面yolo_filter_boxes函数保留下的那些边框的种类的索引# max_boxes：最多想要保留多少个边框# iou_threshold：交并比阈值，交并比大于这个阈值的边框才会被进行非最大值抑制处理## 返回值：# scores：NMS保留下的那些边框的概率# boxes：NMS保留下的那些边框的坐标# classes：NMS保留下的那些边框的种类的索引###############################################################################################def yolo_non_max_suppression(scores,boxes,classes,max_boxes=20,iou_threshold=0.5):    # NMS函数，此函数会返回NMS后保留下来的边框的索引    nms_indices=tf.image.non_max_suppression(boxes,scores,max_boxes,iou_threshold=iou_threshold)
    # 通过上面的索引来分别获取被保留的边框的相关概率值、坐标以及种类的索引    scores=tf.gather(scores,nms_indices)    boxes=tf.gather(boxes,nms_indices)    classes=tf.gather(classes,nms_indices)    return scores,boxes,classes
# 模块测试scores=tf.random.normal([54,],mean=1,stddev=4,seed=1)boxes=tf.random.normal([54,4],mean=1,stddev=4,seed=1)classes=tf.random.normal([54,],mean=1,stddev=4,seed=1)scores,boxes,classes=yolo_non_max_suppression(scores,boxes,classes)print("scores[2]=",scores[2])print("boxes[2]=",boxes[2])print("classes[2]=",classes[2])print("scores.shape=",scores.shape)print("boxes.shape=",boxes.shape)print("classes.shape=",classes.shape)

################################################################################################ 最终的过滤函数# 参数：# yolo_outputs：YOLO模型的输出结果# max_boxes：你希望最多识别出多少个边框# score_threshold：概率值阈值# iou_threshold：交并比阈值## 返回值：# scores：最终保留下的那些边框的概率# boxes：最终保留下的那些边框的坐标# classes：最终保留下的那些边框的种类的索引###############################################################################################def yolo_eval(outputs,max_boxes=20,score_threshold=0.5,iou_threshold=0.5):    # 建立3个空list    s,b,c=[],[],[]
    # 后面调用的Yolov3使用了3个规格的网格(13*13，26*26，52*52)进行预测，所以有三组output    for output in outputs:        # 将YOLO输出结果分成3份，分别表示概率值、坐标、种类索引        box_confidence,boxes,box_class_probs=output        # 使用之前实现的yolo_filter_boxes函数过滤掉概率值低于阈值的边框        scores,boxes,classes=yolo_filter_boxes(box_confidence,boxes,box_class_probs,threshold=score_threshold)        s.append(scores)        b.append(boxes)        c.append(classes)
    # 将3组output的结果整合到一起    scores=tf.concat(s,axis=0)    boxes=tf.concat(b,axis=0)    classes=tf.concat(c,axis=0)
    # 使用yolo_non_max_suppression过滤掉重叠的边框    scores,boxes,classes=yolo_non_max_suppression(scores,boxes,classes,max_boxes=max_boxes,    iou_threshold=iou_threshold)    return scores,boxes,classes
yolo_output=(tf.random.normal([13,13,3,1],mean=1,stddev=4,seed=1),            tf.random.normal([13,13,3,4],mean=1,stddev=4,seed=1),            tf.random.normal([13,13,3,80],mean=1,stddev=4,seed=1))yolo_output1=(tf.random.normal([26,26,3,1],mean=1,stddev=4,seed=2),            tf.random.normal([26,26,3,4],mean=1,stddev=4,seed=2),            tf.random.normal([26,26,3,80],mean=1,stddev=4,seed=2))yolo_output2=(tf.random.normal([52,52,3,1],mean=1,stddev=4,seed=3),            tf.random.normal([52,52,3,4],mean=1,stddev=4,seed=3),            tf.random.normal([52,52,3,80],mean=1,stddev=4,seed=3))
# 模块测试yolo_outputs=(yolo_output,yolo_output1,yolo_output2)scores,boxes,classes=yolo_eval(yolo_outputs)print("scores[2]=",scores[2])print("boxes[2]=",boxes[2])print("classes[2]=",classes[2])print("scores.shape=",scores.shape)print("boxes.shape=",boxes.shape)print("classes.shape=",classes.shape)

# 定义种类已经anchor box和像素class_names=read_classes("model_data/coco_classes.txt")anchors=read_anchors("model_data/yolo_anchors.txt")
# 加载已经训练好的YOLO模型yolo_model=load_model("model_data/yolo_model.h5")yolo_model.summary()

# 探测图片img_raw,img=preprocess_image("test.jpg",model_image_size=(416,416))yolo_outputs=yolo_model(img)
# 将YOLO模型的输出结果转换成我们需要的格式outputs=yolo_head(yolo_outputs,anchors,len(class_names))
# 过滤边框out_scores,out_boxes,out_classes=yolo_eval(outputs)

# 加载图片并进行测试def img_show(image_file,out_scores,out_boxes,out_classes,class_names):    img_raw=tf.image.decode_image(open('./images/'+image_file,'rb').read(),channels=3)    img=cv2.cvtColor(img_raw.numpy(),cv2.COLOR_RGB2BGR)    colors=generate_colors(class_names)
    # print('在{}图片中找到{}个目标'.format(image_file),len(out_boxes))    print('Found {} boxes for {}'.format(len(out_boxes),image_file))    img=draw_outputs(img,out_scores,out_boxes,out_classes,colors,class_names)    display(Image(data=bytes(cv2.imencode('.jpg',img)[1]),width=800))    file_name=[x for x in image_file.split('.')]    cv2.imwrite('./res/'+file_name[0]+'_out.'+file_name[1],img)    return img
# 使用测试训练集进行检测img=img_show('test.jpg',out_scores,out_boxes,out_classes,class_names)

# 对目标图片进行预测def predict(model,image_file,anchors,class_names):    img_raw,img=preprocess_image(image_file,model_image_size=(416,416))    yolo_outputs=yolo_model(img)    outputs=yolo_head(yolo_outputs,anchors,len(class_names))    out_scores,out_boxes,out_classes=yolo_eval(outputs)    img=img_show(image_file,out_scores,out_boxes,out_classes,class_names)    return img
img=predict(yolo_model,'ID_6ae2b25af.jpg',anchors,class_names)

import os
Epath=os.walk('./images')for path,dir,filelist in Epath:    for filename in filelist:        img_path = os.path.join(filename)        #print(img_path)        img=predict(yolo_model,img_path,anchors,class)

# 往期推荐

1.Android加壳脱壳学习—动态加载和类加载机制详解

2.某APP sig3 48位算法逆向分析

3.CVE-2021-26411漏洞分析笔记

4.Windows本地提权漏洞CVE-2014-1767分析及EXP编写指导

5.Vmprotect3.5.1 壹之型 — 暗月·宵之宫

6.高级进程注入总结