import time
import cv2
import numpy as np
import torch
from models.experimental import attempt_load
from utils.datasets import letterbox
from utils.general import check_img_size, non_max_suppression,scale_coords, xyxy2xywh,set_logging,check_requirements
from utils.plots import colors, plot_one_box
from utils.torch_utils import select_device,time_synchronized
 
@torch.no_grad()
def detect(
        #--------------------這里更改配置--------------------
        #---------------------------------------------------
           weights='runs/train/exp25/weights/best.pt',   #訓練好的模型路徑   （必改）
           imgsz=512,           #訓練模型設置的尺寸 （必改）
           cap = 0,             #攝像頭
           conf_thres=0.25,     #置信度
           iou_thres=0.45,      #NMS IOU 閾值
           max_det=1000,        #最大偵測的目標數
           device='',           #設備
           crop=True,           #顯示預測框
           classes=None,        #種類
           agnostic_nms=False,  #class-agnostic NMS
           augment=False,       #是否擴充推理
           half=False,          #使用FP16半精度推理
           hide_labels=False,   #是否隱藏標簽
           hide_conf=False,     #是否隱藏置信度
           line_thickness=3     #預測框的線寬
           ):
        # #--------------------這里更改配置--------------------
        #-----------------------------------------------------
    #打開攝像頭
    cap = cv2.VideoCapture(cap)
 
    #-----初始化-----
    set_logging()
    #設置設備
    device = select_device(device)
    #CUDA僅支持半精度
    half &= device.type != 'cpu'  
 
    #-----加載模型-----
    #加載FP32模型
    model = attempt_load(weights, map_location=device)  
    #模型步幅
    stride = int(model.stride.max())  
    #檢查圖像大小
    imgsz = check_img_size(imgsz, s=stride)  
    #獲取類名
    names = model.module.names if hasattr(model, 'module') else model.names  
    #toFP16
    if half:
        model.half()  
 
    #------運行推理------
    if device.type != 'cpu':
        model(torch.zeros(1, 3, imgsz, imgsz).to(device).type_as(next(model.parameters())))  # 跑一次
    
    #-----進入循環：ESC退出-----
    while(True):
        #設置labels--記錄標簽/概率/位置
        labels = []
        #計時
        t0 = time.time()
        ref,img0=cap.read()
        #填充調整大小
        img = letterbox(img0, imgsz, stride=stride)[0] 
        # 轉換
        img = img[:, :, ::-1].transpose(2, 0, 1)  #BGR to RGB, to 3x416x416
        img = np.ascontiguousarray(img)
 
        img = torch.from_numpy(img).to(device)
        #uint8 to fp16/32
        img = img.half() if half else img.float()  
        #0 - 255 to 0.0 - 1.0
        img /= 255.0  
        if img.ndimension() == 3:
            img = img.unsqueeze(0)
 
        # 推斷
        t1 = time_synchronized()
        pred = model(img, augment=augment)[0]
 
        # 添加 NMS
        pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)
        t2 = time_synchronized()
 
        #目標進程
        for i, det in enumerate(pred):  # 每幅圖像的檢測率
            s, im0 = '', img0.copy()
            #輸出字符串
            s += '%gx%g ' % img.shape[2:]  
            #歸一化增益
            gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]  
            if len(det):
                # 將框從img_大小重新縮放為im0大小
                det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
                # 輸出結果
                for c in det[:, -1].unique():
                    #每類檢測數
                    n = (det[:, -1] == c).sum()
                    #添加到字符串  
                    s += f"{n} {names[int(c)]}{'s' * (n > 1)}, "  
                # 結果輸出
                for *xyxy, conf, cls in reversed(det):
                    #歸一化xywh
                    xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()  
                    #標簽格式
                    line = (cls, *xywh, conf)  
                    #整數類
                    c = int(cls)  
                    #建立標簽
                    label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
                    #繪畫預測框
                    if crop:    
                        plot_one_box(xyxy, im0, label=label, color=colors(c, True), line_thickness=line_thickness)
                    #記錄標簽/概率/位置
                    labels.append([names[c],conf,xyxy])
 
        #--------------------這里寫/修改代碼--------------------
        #-------------------------------------------------
        '''
        labels里面有該圖片的標簽/概率/坐標(列表)
        labels = [ [列表0] , [列表1] , [列表3] ,......]
            其中 列表 = [標簽,概率,坐標]
        例如獲取第一個預測框的概率值：print( float( labels[0][1])  )
        '''
        # 顯示圖片
        cv2.imshow("666",im0)
        #輸出計算時間
        print(f'消耗時間: ({time.time() - t0:.3f}s)')
 
 
        key = cv2.waitKey(20)  
 
        #這里設置ESC退出
        if key == 27:
            break
        #--------------------END--------------------
        #-------------------------------------------------
    cv2.destroyAllWindows()
 
if __name__ == "__main__":
    '''
    修改配置在 13-28 行
    寫代碼-顯示輸出/獲取預測框位置/獲取預測概率值 在121-END行
    '''
    #檢測安裝包--建議注釋掉
    #check_requirements(exclude=('tensorboard', 'thop'))
    #運行
    detect()