PHP项目目标检测与YOLO

本文目录导读：

1. 架构方案总览
2. 主要实现方式
3. 性能优化建议
4. 具体实现示例 - 完整Web应用
5. 最佳实践建议

这是一个很棒的结合方向！PHP本身不擅长进行深度学习推理，但可以作为后端服务与YOLO模型进行交互，我来详细说说几种实现方案：

架构方案总览

graph TB
    A[PHP Web应用] --> B[中介层]
    B --> C1[Python YOLO服务]
    B --> C2[ONNX Runtime]
    B --> C3[第三方API]

主要实现方式

Python微服务（推荐）

最成熟稳定的方案

# yolo_service.py
from flask import Flask, request, jsonify
from ultralytics import YOLO
import cv2
import base64
app = Flask(__name__)
model = YOLO('yolov8n.pt')  # 加载模型
@app.route('/detect', methods=['POST'])
def detect():
    image_data = request.json['image']
    # 解码base64图片
    img_bytes = base64.b64decode(image_data)
    results = model(img_bytes)
    detections = []
    for r in results:
        boxes = r.boxes
        for box in boxes:
            detections.append({
                'class': model.names[int(box.cls)],
                'confidence': float(box.conf),
                'bbox': box.xyxy.tolist()[0]
            })
    return jsonify({'detections': detections})
if __name__ == '__main__':
    app.run(port=5000)

// PHP调用端
class YOLODetector {
    private $serviceUrl = 'http://localhost:5000/detect';
    public function detect($imagePath) {
        $imageData = base64_encode(file_get_contents($imagePath));
        $ch = curl_init($this->serviceUrl);
        curl_setopt($ch, CURLOPT_POST, 1);
        curl_setopt($ch, CURLOPT_POSTFIELDS, json_encode([
            'image' => $imageData
        ]));
        curl_setopt($ch, CURLOPT_HTTPHEADER, ['Content-Type: application/json']);
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
        $response = curl_exec($ch);
        curl_close($ch);
        return json_decode($response, true);
    }
}
// 使用示例
$detector = new YOLODetector();
$results = $detector->detect('uploads/photo.jpg');
foreach ($results['detections'] as $obj) {
    echo "检测到: {$obj['class']} (置信度: {$obj['confidence']})";
}

PHP直接调用ONNX Runtime

需要安装PHP扩展，适合简单场景：

// 安装: pecl install onnx
use ONNX\Runtime;
$model = new Runtime('yolov8n.onnx');
function detectObjects($imagePath, $model) {
    $image = imagecreatefromjpeg($imagePath);
    $resized = imagescale($image, 640, 640);
    // 转换为模型输入格式
    $input = preprocessImage($resized);
    $output = $model->run(['images' => $input]);
    return postprocessOutput($output);
}

实时视频流检测

// 视频帧处理
class VideoStreamDetector {
    public function processFrame($videoPath) {
        $ffmpeg = "ffmpeg -i $videoPath -f image2pipe -vcodec mjpeg -";
        $pipe = popen($ffmpeg, 'r');
        while (!feof($pipe)) {
            $frame = fread($pipe, 1024*1024); // 读取一帧
            $result = $this->sendToYOLO($frame);
            $this->annotateFrame($frame, $result);
        }
    }
}

性能优化建议

具体实现示例 - 完整Web应用

// index.php
<?php
require_once 'vendor/autoload.php';
use Detection\YOLOService;
use Detection\ResultRenderer;
$service = new YOLOService('http://yolo-api:5000');
if ($_SERVER['REQUEST_METHOD'] === 'POST') {
    $uploadedFile = $_FILES['image'];
    $result = $service->detect($uploadedFile['tmp_name']);
    // 渲染结果
    $renderer = new ResultRenderer();
    $annotatedImage = $renderer->drawBoxes($uploadedFile['tmp_name'], $result);
    // 保存并展示
    $outputPath = 'results/' . uniqid() . '.jpg';
    file_put_contents($outputPath, $annotatedImage);
}
?>
<form method="post" enctype="multipart/form-data">
    <input type="file" name="image" accept="image/*">
    <button type="submit">检测</button>
</form>
<?php if (isset($outputPath)): ?>
    <img src="/<?= $outputPath ?>">
    <pre><?= json_encode($result, JSON_PRETTY_PRINT) ?></pre>
<?php endif; ?>

最佳实践建议

1. 分离部署：YOLO服务独立部署，使用Docker容器化管理
2. 异步检测：通过消息队列（RabbitMQ/Redis）处理耗时检测
3. 结果缓存：对相同或相似图片使用哈希缓存检测结果
4. 错误处理：完善的降级策略，YOLO服务不可用时返回缓存或备用模型
5. 监控告警：检测延迟、准确率等关键指标监控

这种PHP+YOLO的组合在实际项目中已经有很多成功案例，比如电商平台的商品识别、安防系统的人车检测等，需要我针对具体场景提供更详细的代码示例吗？