基于OpenCV与YOLO的实时目标检测毕业设计实战指南

这次我们来看一个面向毕业设计的实时目标检测项目，核心是OpenCV与YOLO的结合。对于计算机视觉方向的本科生或研究生而言，毕业设计既要体现技术深度，又要保证项目能顺利跑通、有可视化结果。这个项目方案直接瞄准了这个痛点：它不空谈理论，而是提供一个从环境搭建、代码编写到实时演示的完整流程，确保你最终能交出一个“能动起来”的毕设。

项目的核心价值在于“可落地”。它基于成熟的YOLO目标检测模型和OpenCV计算机视觉库，让你能快速搭建一个实时检测系统。无论是检测摄像头视频流中的行人、车辆，还是处理本地视频文件，你都能获得带标注框的可视化结果。这对于需要实物演示或系统原型的毕设来说，至关重要。

本文将带你完整走通这个流程。我们会从最基础的环境配置开始，确保你的Python、OpenCV和YOLO依赖安装无误。然后，会详细解析核心代码，包括如何加载YOLO模型、处理视频帧、执行推理以及绘制检测框。接着，我们会进行功能测试，从图片检测到实时摄像头检测，验证系统的稳定性。最后，还会探讨如何将这个系统扩展为更实用的形态，比如封装成API服务或加入批量处理功能，为你的毕设增加亮点。

无论你是刚刚接触AI和计算机视觉，还是正在为毕设选题发愁，这篇文章提供的方案都能让你快速上手，得到一个具备演示价值、代码结构清晰、且易于扩展的实战项目。

1. 核心能力速览

在深入细节之前，我们先通过一个表格快速了解这个毕设方案的核心特性和要求，帮助你判断是否适合自己。

2. 适用场景与使用边界

这个项目方案主要服务于特定需求的人群，在开始前明确它能做什么、不能做什么，可以帮你更好地规划毕设方向。

适合谁？

• 计算机相关专业的本科生/研究生：需要一个完整、可演示、有代码量的毕业设计或课程设计项目。
• AI入门学习者：希望通过一个综合项目，串联起Python编程、深度学习框架使用、模型推理和计算机视觉库操作。
• 原型开发者：需要快速验证目标检测算法在特定场景（如教室、路口）下的可行性，搭建演示Demo。

能解决什么问题？

1. 毕设选题与实现：提供一个现成的、高完成度的技术方案，避免从零开始的迷茫。
2. 理论与实践结合：将YOLO论文中的知识转化为实际可运行的代码，理解模型加载、预处理、推理、后处理的全流程。
3. 可视化展示：生成带有检测框和标签的结果视频或图片，便于在答辩中展示。
4. 性能基线测试：可以方便地更换不同的YOLO模型（v5, v8, 不同尺寸），对比其在速度和精度上的权衡，这部分分析可以成为毕设论文的章节。

不适合什么场景？

• 高并发生产环境：当前方案是单线程脚本，不适合直接部署为需要同时处理大量请求的在线服务。
• 定制化模型训练：本文重点在模型部署与应用。如需在自己的数据集上训练模型，需要额外的数据标注、训练配置和GPU资源。
• 极端实时性要求：在低算力设备（如树莓派）上运行大型YOLO模型，帧率可能无法满足严格实时要求。

版权与合规边界

• 模型权重：使用的YOLO预训练模型权重，通常遵循其开源协议（如GPL-3.0）。在毕设中注明模型来源即可。
• 输入数据：用于测试的图片或视频，请确保拥有使用权或使用开源数据集（如COCO val集）。避免使用涉及个人隐私或版权的敏感素材进行公开演示。
• 输出用途：本系统为技术演示与学习目的。若将检测结果用于实际决策（如安防报警），需充分考虑算法的误检、漏检率，并符合相关法律法规。

3. 环境准备与前置条件

一个稳定的环境是项目成功的第一步。以下是搭建此项目所需的基础软件和硬件清单。

1. 操作系统

• Windows 10/11, Ubuntu 18.04/20.04/22.04, 或 macOS。本文以Windows为例，Linux/macOS命令略有不同。

2. Python环境

• Python 3.8 或 3.9（推荐）。这是与PyTorch、OpenCV等库兼容性较好的版本。避免使用Python 3.10以上版本，可能遇到某些库的预编译包不兼容问题。
• 使用conda或venv创建独立的虚拟环境是强烈推荐的做法，可以避免包冲突。

3. 深度学习框架

• PyTorch：这是运行YOLO（官方实现通常基于PyTorch）的核心。需要根据你的CUDA版本安装对应的PyTorch。
• 访问 PyTorch官网 获取安装命令。例如，对于CUDA 11.8：

  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

• 如果你只有CPU，安装CPU版本即可：

  pip install torch torchvision torchaudio

4. 计算机视觉库

• OpenCV-Python：用于图像/视频的读取、显示、绘制和保存。

  pip install opencv-python

5. 其他工具库

• Matplotlib(可选)：用于结果可视化。
• Jupyter Notebook(可选)：用于分步调试和演示。

  pip install matplotlib jupyter

6. 硬件检查

• GPU（可选但推荐）：确保已安装正确的NVIDIA显卡驱动和CUDA工具包。在命令行输入nvidia-smi可以查看驱动和CUDA版本。
• 摄像头（如需实时检测）：确保摄像头能被系统识别。在Python中可以用cv2.VideoCapture(0)测试。

7. 项目文件准备

• 创建一个清晰的工程目录，例如yolo_opencv_project。
• 在目录下新建子文件夹，如models(存放模型权重),data(存放测试图片视频),outputs(存放检测结果)。

4. 安装部署与启动方式

环境准备好后，我们来获取YOLO模型并编写核心检测脚本。这里以YOLOv5为例，因为它生态成熟，文档丰富。

1. 获取YOLOv5代码与模型

• 克隆官方YOLOv5仓库（或下载ZIP包）到你的项目目录。

  git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt # 安装YOLOv5的依赖

• 此时，yolov5文件夹包含了所有源代码。预训练模型（如yolov5s.pt）会在第一次运行时自动从网络下载，也可以手动下载后放入yolov5目录。

2. 编写核心检测脚本在项目根目录（与yolov5文件夹同级）创建一个Python脚本，例如detect_demo.py。这个脚本将集成YOLO和OpenCV。

import cv2 import torch import numpy as np from pathlib import Path import sys # 将yolov5目录加入系统路径，以便导入其模块 sys.path.append('./yolov5') from models.common import DetectMultiBackend from utils.general import (check_img_size, non_max_suppression, scale_boxes) from utils.augmentations import letterbox from utils.plots import Annotator, colors class YOLOv5Detector: def __init__(self, weights='yolov5s.pt', device='cpu', conf_thres=0.25, iou_thres=0.45): """ 初始化YOLOv5检测器 :param weights: 模型权重文件路径 :param device: 推理设备，'cpu' 或 'cuda:0' :param conf_thres: 置信度阈值 :param iou_thres: NMS的IOU阈值 """ self.device = torch.device(device) self.model = DetectMultiBackend(weights, device=self.device, dnn=False, data=None, fp16=False) self.stride, self.names, self.pt = self.model.stride, self.model.names, self.model.pt self.imgsz = check_img_size((640, 640), s=self.stride) # 检查图像尺寸 self.conf_thres = conf_thres self.iou_thres = iou_thres # 预热模型 self.model.warmup(imgsz=(1, 3, *self.imgsz)) def preprocess(self, img0): """预处理：调整大小、填充、归一化、转换为Tensor""" # Padded resize img = letterbox(img0, self.imgsz, stride=self.stride, auto=self.pt)[0] # Convert HWC to CHW, BGR to RGB img = img.transpose((2, 0, 1))[::-1] img = np.ascontiguousarray(img) img = torch.from_numpy(img).to(self.device) img = img.half() if self.model.fp16 else img.float() img /= 255.0 # 归一化 0 - 255 to 0.0 - 1.0 if len(img.shape) == 3: img = img[None] # 扩展为批次维度 return img, img0 def detect(self, img0): """执行检测""" img, im0s = self.preprocess(img0) # 推理 pred = self.model(img, augment=False, visualize=False) # NMS pred = non_max_suppression(pred, self.conf_thres, self.iou_thres, classes=None, agnostic=False, max_det=1000) detections = [] # 处理每一张图片的检测结果（这里批次大小为1） for i, det in enumerate(pred): if len(det): # 将框的坐标从预处理后的img尺寸映射回原始im0尺寸 det[:, :4] = scale_boxes(img.shape[2:], det[:, :4], im0s.shape).round() for *xyxy, conf, cls in reversed(det): detections.append({ 'bbox': [int(x) for x in xyxy], 'confidence': float(conf), 'class_id': int(cls), 'class_name': self.names[int(cls)] }) return detections def draw_detections(image, detections): """在图像上绘制检测框和标签""" annotator = Annotator(image, line_width=2, example=str('yolov5')) for det in detections: label = f"{det['class_name']} {det['confidence']:.2f}" annotator.box_label(det['bbox'], label, color=colors(det['class_id'], True)) return annotator.result() def main(): # 初始化检测器，使用GPU如果可用 device = 'cuda:0' if torch.cuda.is_available() else 'cpu' print(f"使用设备: {device}") detector = YOLOv5Detector(weights='./yolov5/yolov5s.pt', device=device) # 选择输入源：0为摄像头，或文件路径 input_source = 0 # 摄像头索引 # input_source = './data/test_video.mp4' # 视频文件路径 # input_source = './data/test_image.jpg' # 图片文件路径 cap = cv2.VideoCapture(input_source) if not cap.isOpened(): print("无法打开输入源") return while True: ret, frame = cap.read() if not ret: break # 执行检测 detections = detector.detect(frame) # 绘制结果 result_frame = draw_detections(frame.copy(), detections) # 显示结果 cv2.imshow('YOLOv5 + OpenCV Real-time Detection', result_frame) # 按'q'退出 if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() if __name__ == '__main__': main()

3. 启动与运行确保你的目录结构大致如下：

yolo_opencv_project/ ├── yolov5/ # 克隆的YOLOv5仓库 ├── detect_demo.py # 你的主脚本 ├── data/ # 测试数据 └── outputs/ # 输出结果

在命令行中，激活你的Python环境，然后运行脚本：

cd /path/to/yolo_opencv_project python detect_demo.py

如果设置input_source = 0，脚本将打开默认摄像头进行实时检测。你会看到一个窗口，显示摄像头画面以及YOLO识别出的物体和置信度。

5. 功能测试与效果验证

脚本跑起来只是第一步，我们需要系统地测试其各项功能，确保它稳定可靠，并且知道如何解读结果。

5.1 图片文件检测测试

测试目的：验证系统对静态图片的处理能力，检查检测框和标签是否正确。

1. 准备测试图片：在data文件夹放入一张包含常见物体（如人、车、狗）的图片test.jpg。
2. 修改输入源：在detect_demo.py的main()函数中，将input_source改为图片路径。

   input_source = './data/test.jpg'

3. 修改脚本为单次处理：由于是图片，不需要循环。可以临时修改main()函数：

   def main(): device = 'cuda:0' if torch.cuda.is_available() else 'cpu' detector = YOLOv5Detector(weights='./yolov5/yolov5s.pt', device=device) image = cv2.imread('./data/test.jpg') if image is None: print("无法读取图片") return detections = detector.detect(image) result_image = draw_detections(image, detections) cv2.imshow('Detection Result', result_image) cv2.waitKey(0) # 等待按键后关闭 cv2.destroyAllWindows() # 可选：保存结果 cv2.imwrite('./outputs/test_result.jpg', result_image) print(f"检测到 {len(detections)} 个目标。") for det in detections: print(f" - {det['class_name']}: 置信度 {det['confidence']:.2f}, 位置 {det['bbox']}")

4. 运行与验证：运行脚本。观察弹出的窗口，物体应被正确框出并标注。同时，控制台会打印检测到的目标列表。检查：
   • 目标是否被检出？（如人、车）
   • 置信度是否合理？（通常>0.5）
   • 框的位置是否准确？
   • 结果图片是否已保存到outputs文件夹？

5.2 本地视频文件检测测试

测试目的：验证系统对连续帧的处理能力和稳定性，观察检测结果在时间上的连续性。

1. 准备测试视频：在data文件夹放入一段短视频test_video.mp4。
2. 修改输入源：将input_source改回视频文件路径，并恢复原来的while循环结构。

   input_source = './data/test_video.mp4'

3. 运行与验证：运行脚本。观察视频播放窗口。
   • 流畅度：视频播放是否流畅？帧率如何？（可在循环内打印处理每帧的时间）。
   • 检测稳定性：同一物体在连续帧中是否被稳定检测？框是否抖动？
   • 资源占用：打开任务管理器（Windows）或htop（Linux），观察CPU/GPU和内存的使用情况。
4. 保存结果视频：可以在循环中添加代码，将每一帧结果写入一个VideoWriter对象，最终生成带检测框的输出视频，这是毕设演示的重要素材。

5.3 实时摄像头检测测试

测试目的：验证系统的实时交互能力，这是毕设演示中最出彩的部分。

1. 修改输入源：将input_source设为0（默认摄像头）。

   input_source = 0

2. 运行与验证：运行脚本，将摄像头对准不同的场景。
   • 延迟：从你移动物体到屏幕上检测框更新，延迟是否可接受？（理想情况<100ms）。
   • 不同场景：测试室内（人、家具）、室外（车辆、行人）、不同光照条件（白天、夜晚开灯）下的检测效果。
   • 多目标：尝试让多个人或物体同时出现在画面中，观察系统是否能同时处理。
3. 性能观察：这是优化重点。如果帧率（FPS）太低：
   • 降低分辨率：在cv2.VideoCapture后使用cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)和cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)降低采集分辨率。
   • 使用更小模型：将yolov5s.pt换成yolov5n.pt（Nano版本，速度更快，精度稍低）。
   • 跳帧处理：不是每一帧都进行检测，比如每3帧检测一次，中间帧沿用上一帧结果（对于移动不快的场景有效）。

5.4 关键参数调优测试

测试目的：理解模型参数对结果的影响，为毕设论文中的“实验分析”章节积累素材。 在YOLOv5Detector初始化时，有两个关键参数：

• conf_thres（置信度阈值）：过滤掉置信度低的预测框。调高（如0.5）会让结果更可靠，但可能漏检；调低（如0.1）会检出更多目标，但假阳性（误检）可能增加。
• iou_thres（NMS的IOU阈值）：用于合并重叠的框。调高（如0.6）合并条件更严格，可能保留多个重叠框；调低（如0.3）更容易合并，一个物体通常只留一个框。

测试方法：固定一个测试视频或图片，分别用不同的conf_thres(0.1, 0.25, 0.5, 0.7) 和iou_thres(0.3, 0.45, 0.6) 组合运行检测，观察并记录检测框数量的变化和效果，可以制作成表格放入论文。

6. 接口API与批量任务

将脚本封装成服务或批量处理工具，能极大提升项目的实用性和工程价值，为毕设加分。

6.1 封装为简易Web API服务

使用Flask或FastAPI可以快速创建一个HTTP API，允许通过网络请求进行目标检测。

安装Flask:

pip install flask

创建app.py:

from flask import Flask, request, jsonify, send_file import cv2 import numpy as np import io from PIL import Image import torch from detect_demo import YOLOv5Detector, draw_detections # 导入之前写的类 app = Flask(__name__) # 全局加载一次模型，避免重复加载 device = 'cuda:0' if torch.cuda.is_available() else 'cpu' detector = YOLOv5Detector(weights='./yolov5/yolov5s.pt', device=device) @app.route('/detect', methods=['POST']) def detect_image(): """ API端点：接收图片文件，返回检测结果JSON和标注后的图片。 """ if 'file' not in request.files: return jsonify({'error': 'No file part'}), 400 file = request.files['file'] if file.filename == '': return jsonify({'error': 'No selected file'}), 400 # 读取图片 img_bytes = file.read() img_np = np.frombuffer(img_bytes, np.uint8) img0 = cv2.imdecode(img_np, cv2.IMREAD_COLOR) if img0 is None: return jsonify({'error': 'Invalid image'}), 400 # 执行检测 detections = detector.detect(img0) # 绘制检测框 result_img = draw_detections(img0, detections) # 准备返回结果 _, img_encoded = cv2.imencode('.jpg', result_img) img_bytes = img_encoded.tobytes() # 构建JSON响应 result_json = { 'detections': detections, 'count': len(detections) } # 可以选择返回JSON，或者返回图片流。这里示例返回JSON，并附上图片的base64（或单独提供下载端点）。 # 简单起见，我们返回JSON，并在另一个端点提供图片。 return jsonify(result_json) @app.route('/annotated_image', methods=['POST']) def get_annotated_image(): """接收图片，直接返回标注后的图片文件""" # 类似上面的逻辑，读取文件、检测、绘制，然后： # return send_file(io.BytesIO(img_bytes), mimetype='image/jpeg') pass # 实现略，需处理文件流 if __name__ == '__main__': # 默认运行在 127.0.0.1:5000 app.run(host='0.0.0.0', port=5000, debug=False) # 生产环境需关闭debug

启动API服务:

python app.py

使用curl测试API:

curl -X POST -F "file=@./data/test.jpg" http://127.0.0.1:5000/detect

你将收到一个JSON响应，包含所有检测到的目标信息。这为你的毕设系统提供了前后端分离的可能性，例如用网页前端上传图片并展示结果。

6.2 实现批量图片处理

对于需要处理大量图片的场景（如一个数据集），批量处理功能非常有用。

创建batch_process.py:

import os import cv2 from pathlib import Path import torch from detect_demo import YOLOv5Detector, draw_detections def batch_process_images(input_dir, output_dir, weights='./yolov5/yolov5s.pt'): """ 批量处理一个文件夹内的所有图片 :param input_dir: 输入图片目录 :param output_dir: 输出图片目录 :param weights: 模型权重路径 """ device = 'cuda:0' if torch.cuda.is_available() else 'cpu' detector = YOLOv5Detector(weights=weights, device=device) input_path = Path(input_dir) output_path = Path(output_dir) output_path.mkdir(parents=True, exist_ok=True) supported_formats = ('.jpg', '.jpeg', '.png', '.bmp') image_files = [f for f in input_path.iterdir() if f.suffix.lower() in supported_formats] print(f"找到 {len(image_files)} 张图片待处理。") for img_file in image_files: print(f"处理: {img_file.name}") img0 = cv2.imread(str(img_file)) if img0 is None: print(f" 无法读取 {img_file.name}，跳过。") continue detections = detector.detect(img0) result_img = draw_detections(img0, detections) output_file = output_path / f"{img_file.stem}_result{img_file.suffix}" cv2.imwrite(str(output_file), result_img) print(f" 已保存结果至: {output_file}，检测到 {len(detections)} 个目标。") print("批量处理完成！") if __name__ == '__main__': # 配置你的输入输出目录 batch_process_images('./data/batch_input', './outputs/batch_output')

运行此脚本，它会自动读取./data/batch_input下的所有图片，检测后将结果保存到./outputs/batch_output。你可以将此功能集成到毕设系统中，作为数据处理模块。

7. 资源占用与性能观察

了解系统的资源消耗和性能瓶颈，对于优化和撰写毕设论文的“系统测试”章节至关重要。

1. 如何观察显存和内存占用？

• Windows任务管理器：切换到“性能”标签页，查看GPU的“专用GPU内存”和“共享GPU内存”，以及CPU的“内存”使用情况。
• 命令行工具：
  • GPU (NVIDIA)：在命令行使用nvidia-smi可以实时查看GPU利用率和显存占用。可以配合watch -n 1 nvidia-smi(Linux) 每秒刷新。
  • CPU/内存 (通用)：使用htop(Linux/macOS) 或任务管理器。

2. 影响性能的关键因素

• 模型尺寸：YOLO模型从大到小通常为x(Extra Large),l(Large),m(Medium),s(Small),n(Nano)。模型越小，推理速度越快，显存占用越少，但精度可能下降。下表是一个大致参考（以YOLOv5为例，在RTX 3060 12G上测试单张640x640图片）：

• 输入分辨率：在YOLOv5Detector初始化时的imgsz参数（默认640）。分辨率越高，细节越多，检测小物体可能更好，但计算量呈平方增长，显存占用也增加。可以尝试调整为320（更快）或1280（更准）。
• 硬件设备：GPU推理比CPU快数十倍。确保你的PyTorch安装的是CUDA版本，并且脚本中device参数设置为cuda:0。

3. 性能测试建议在你的毕设中，可以设计一个简单的性能测试实验：

1. 固定一个测试视频。
2. 分别使用yolov5n.pt,yolov5s.pt,yolov5m.pt模型运行检测。
3. 记录每种模型下的平均FPS（每秒处理帧数）和峰值显存占用。
4. 同时，可以手动统计一段视频中某个目标（如行人）的检出率，作为精度的粗略衡量。
5. 将结果绘制成图表（如FPS vs. 模型大小，显存占用 vs. 模型大小），并加以分析。这部分内容能充分体现你的工程实践和分析能力。

8. 常见问题与排查方法

在部署和运行过程中，你可能会遇到以下问题。这里提供排查思路。

9. 最佳实践与使用建议

为了让你的毕设项目更专业、更健壮，遵循以下实践建议：

1. 版本控制：使用Git管理你的代码。将requirements.txt（记录所有依赖包及版本）和项目说明文档README.md纳入版本控制。忽略模型权重文件（.pt）和大型数据集，用.gitignore管理。
2. 配置化：不要将模型路径、置信度阈值、输入输出目录等参数硬编码在代码中。使用配置文件（如config.yaml或config.ini）或命令行参数解析库（如argparse）来管理，方便调整和实验。
3. 结构化项目目录：保持清晰的目录结构，如前文所示。将代码、数据、模型、输出、文档分开存放。
4. 日志记录：在关键步骤（如模型加载成功、开始处理文件、发生错误）添加日志记录，而不是简单使用print。可以使用Python内置的logging模块，便于调试和追踪运行状态。
5. 异常处理：在文件读取、模型推理、网络请求等可能出错的地方添加try...except块，给出友好的错误提示，避免程序意外崩溃。
6. 效果复核与合规性：在将系统用于任何实际场景或公开演示前，务必对输出结果进行复核。特别是涉及人脸、车牌等敏感信息的检测，确保你有权使用输入数据，并且输出结果的使用方式符合法律法规和伦理规范。在毕设报告中，应讨论算法的局限性（如误检、漏检）和隐私保护措施。
7. 扩展思考：作为毕设，可以在此基础上进行扩展，增加亮点，例如：
   • 多模型对比：集成YOLOv8、SSD等其他目标检测模型，进行对比实验。
   • 特定场景优化：使用少量自定义数据对预训练模型进行微调（fine-tuning），提升在特定场景（如实验室仪器检测、校园行人检测）下的性能。
   • 添加新功能：在检测框上添加轨迹跟踪（如使用ByteTrack、DeepSORT），实现简单的多目标跟踪。
   • 优化部署：尝试使用ONNX Runtime或TensorRT对模型进行加速，并部署到边缘设备（如Jetson Nano）上。

10. 总结与下一步

这个基于OpenCV和YOLO的实时目标检测项目，为计算机视觉方向的毕业设计提供了一个坚实、可演示且易于扩展的起点。它成功地将前沿的深度学习模型与经典的计算机视觉库相结合，让你能够快速搭建一个看得见、摸得着的AI应用。

最值得尝试的点在于其完整的 pipeline：从环境搭建、模型加载、图像预处理、推理、后处理到可视化，你亲身实践了一个标准的目标检测应用的全流程。这不仅完成了毕设，更是一次宝贵的全栈AI工程体验。

最先应该验证的功能无疑是实时摄像头检测。这是最能体现项目价值的演示方式。确保你的摄像头工作正常，选择一个合适的YOLO模型（如yolov5s.pt），运行脚本，看到实时画面上出现一个个精准的检测框时，你的毕设核心演示部分就已经成功了。

最容易踩的坑集中在环境配置和资源管理上。CUDA版本与PyTorch版本不匹配、虚拟环境未激活、摄像头索引错误、显存不足导致OOM（内存溢出）——这些问题都会让你卡在起点。按照本文的环境准备和问题排查章节一步步走，大部分问题都能解决。

后续扩展方向为你打开了更深入探索的大门。你可以将单机脚本升级为Web服务，构建一个在线目标检测平台；可以引入跟踪算法，分析物体的运动轨迹；可以尝试量化或剪枝技术，优化模型以便在资源受限的设备上运行；甚至可以将检测结果用于更高级的应用，如人数统计、车辆违章分析或智能机器人导航。这些都可以成为你毕设论文中“未来工作展望”章节的素材。

建议将本文提供的代码和思路作为你的基础框架，在此基础上进行修改、优化和创新。动手去调参，去尝试不同的模型，去处理你自己的视频素材。当你真正跑通整个项目并理解每一行代码的作用时，这份经历和成果，无疑会成为你毕业设计中亮眼的一笔。