用Python和YOLOv5做个‘尺子’：手把手教你实现单目测距（附完整代码）-编程实验室

用Python和YOLOv5打造智能测距仪：从原理到落地的完整实践指南

在智能家居和工业自动化领域，物体距离测量一直是个有趣且实用的技术挑战。传统测距工具如卷尺或激光测距仪虽然精确，但缺乏智能化元素。本文将带您用普通摄像头和YOLOv5模型，构建一个能自动识别常见物体并计算距离的Python工具。这个项目完美融合了计算机视觉的趣味性与实用性，特别适合想深入理解单目视觉原理的技术爱好者。

1. 环境搭建与工具准备

工欲善其事，必先利其器。我们需要配置一个稳定的Python环境来运行YOLOv5和OpenCV。推荐使用Python 3.8+版本，这个版本在兼容性和性能上都有不错的表现。

首先创建并激活虚拟环境：

python -m venv distance_measure source distance_measure/bin/activate # Linux/Mac distance_measure\Scripts\activate # Windows

安装核心依赖库：

pip install torch torchvision opencv-python matplotlib numpy

注意：如果使用GPU加速，需要安装对应版本的PyTorch CUDA版本

YOLOv5的获取很简单，直接从官方仓库克隆即可：

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

常见问题排查：

报错：ImportError: libGL.so.1: cannot open shared object file
- 解决方案：sudo apt install libgl1-mesa-glx(Ubuntu)
报错：DLL load failed while importing cv2
- 解决方案：重新安装OpenCV：pip install --force-reinstall opencv-python-headless

2. 相机标定：获取关键参数

单目测距的核心公式是：

距离 = (物体实际宽度 × 焦距) / 图像中的像素宽度

要计算距离，我们需要先确定相机的焦距。这里介绍一种实用的标定方法：

准备一个已知尺寸的物体（如15cm宽的杯子）
在已知距离（如20cm）处拍摄该物体
用YOLOv5检测物体的像素宽度
代入公式计算焦距

焦距计算代码实现：

def calculate_focal_length(known_width, known_distance, pixel_width): return (pixel_width * known_distance) / known_width # 示例：杯子实际宽度15cm，拍摄距离20cm，检测到像素宽度为300px focal_length = calculate_focal_length(15, 20, 300) print(f"计算得到的焦距：{focal_length:.2f}像素")

标定质量检查表：

[ ] 物体与相机保持水平
[ ] 拍摄环境光线充足
[ ] 物体占据图像合理比例(建议30%-70%)
[ ] 多次测量取平均值

3. YOLOv5目标检测集成

YOLOv5提供了简洁的API接口，我们可以轻松集成到测距系统中。以下是一个检测并返回边界框的示例：

import torch # 加载预训练模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) def detect_objects(image_path): # 执行检测 results = model(image_path) # 提取杯子类别的检测结果(杯子在COCO数据集中类别为41) cups = results.pred[0][results.pred[0][:, 5] == 41] if len(cups) > 0: # 返回第一个检测到的杯子的边界框[x1,y1,x2,y2] return cups[0][:4].cpu().numpy() else: return None

常见检测问题优化：

问题现象	可能原因	解决方案
检测不到物体	物体太小	调整拍摄距离或使用更高分辨率
误检测率高	背景复杂	使用更精确的模型(yolov5m/l)
边界框抖动	视频帧处理	添加简单的跟踪算法

4. 距离计算与可视化

有了焦距和检测框，距离计算就水到渠成了。我们还需要考虑一些实际因素来提高精度：

def calculate_distance(known_width, focal_length, pixel_width, angle_correction=1.0): """ 计算物体到相机的距离 :param known_width: 物体实际宽度(cm) :param focal_length: 相机焦距(像素) :param pixel_width: 图像中物体宽度(像素) :param angle_correction: 角度校正因子(0.9-1.1) :return: 距离(cm) """ base_distance = (known_width * focal_length) / pixel_width return base_distance * angle_correction def visualize_result(image, bbox, distance): """在图像上绘制检测框和距离信息""" x1, y1, x2, y2 = bbox cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) label = f"{distance:.1f}cm" cv2.putText(image, label, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) return image

精度提升技巧：

多物体平均：检测同一物体的多个实例取平均值
多帧平滑：视频流中使用移动平均减少抖动
高度补偿：同时使用宽度和高度信息进行交叉验证

5. 完整系统集成与优化

将各个模块整合成一个完整的测距系统，以下是主程序的逻辑流程：

import cv2 from detection import detect_objects from calibration import calculate_focal_length class DistanceMeasurer: def __init__(self, known_width, calibration_distance): self.known_width = known_width self.calibration_distance = calibration_distance self.focal_length = None def calibrate(self, calibration_image): bbox = detect_objects(calibration_image) if bbox is not None: pixel_width = bbox[2] - bbox[0] self.focal_length = calculate_focal_length( self.known_width, self.calibration_distance, pixel_width) return True return False def measure(self, image_path): if self.focal_length is None: raise ValueError("请先校准相机") bbox = detect_objects(image_path) if bbox is not None: pixel_width = bbox[2] - bbox[0] distance = calculate_distance( self.known_width, self.focal_length, pixel_width) image = cv2.imread(image_path) return visualize_result(image, bbox, distance) return None

系统优化方向：