如何用10行代码完成目标检测

作者: 机器学习与数据分析 2020-02-28 15:33:12

导语

人工智能的一个重要领域是计算机视觉。计算机视觉是计算机和软件系统能够识别和理解图像和场景的科学。计算机视觉还包括图像识别、目标检测、图像生成、图像超分辨率等多个方面。由于大量的实际用例,对象检测可能是计算机视觉最深刻的方面。

如何用10行代码完成目标检测

目标检测是指计算机和软件系统在图像/场景中定位目标并识别每个目标的能力。目标检测已经广泛应用于人脸检测、车辆检测、行人计数、网络图像、安全系统和无人驾驶汽车。在许多领域的实践中,对象检测也有许多方法可以使用。像其他的计算机技术一样,对象检测的广泛的创造性和惊人的用途肯定会来自计算机程序员和软件开发人员的努力。

这次要介绍的一个叫做ImageAI的项目,它一个python库,让程序员和软件开发人员只需几行代码就可以轻松地将最先进的计算机视觉技术集成到他们现有的和新的应用程序中。

ImageAI安装工作

要使用ImageAI执行对象检测,您需要做的就是:

  1. 在计算机系统上安装Python
  2. 安装ImageAI及其依赖项
  3. 下载对象检测模型文件
  4. 运行示例代码(只有10行)

那么我们现在开始:

  • 从官方Python语言网站下载并安装Python 3。
  • 通过pip安装:TensorFlow,OpenCV, Keras, ImageAI
  1. pip3 install tensorflow 
  2. pip3 install opencv-python 
  3. pip3 install keras 
  4. pip3 install imageai --upgrade 

3)通过此文章中的链接下载用于对象检测的RetinaNet模型文件:

https://towardsdatascience.com/object-detection-with-10-lines-of-code-d6cb4d86f606

运行程序

太好了。我们现在已经安装了依赖项,可以编写第一个对象检测代码了。创建一个Python文件并给它起一个名字(例如,FirstDetection.py),然后将下面的代码写进去。将要检测的RetinaNet模型文件图像复制到包含python文件的文件夹中。

  1. from imageai.Detection import ObjectDetection  
  2. import os 
  3.  execution_path =os.getcwd()  
  4. detector = ObjectDetection()  
  5. detector.setModelTypeAsRetinaNet()  
  6. detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))  
  7. detector.loadModel()  
  8. detections = detector.detectObjectsFromImage( input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg")) 
  9.  for eachObject in detections:  
  10. print(eachObject["name"] , " : " ,  
  11. eachObject["percentage_probability"] ) 

需要注意的是,如果你在运行遇到这个错误:

  1. ValueError: Unable to import backend : theano python mymodel.py 

那么你可以尝试:

  1. import osos.environ['KERAS_BACKEND'] = 'tensorflow'from  
  2. imageai.Detection import ObjectDetection 

然后运行代码并等待结果打印在控制台中。一旦结果打印到控制台中,转到您的FirstDetection.py所在的文件夹,您将发现保存了一个新图像。看看下面的两个图像样本和检测后保存的新图像。

检测前:

如何用10行代码完成目标检测

检测后:

如何用10行代码完成目标检测

数据结果

我们可以看到程序会打印输出一些各个物体的概率数据:

  • person : 55.8402955532074
  • person : 53.21805477142334
  • person : 69.25139427185059
  • person : 76.41745209693909
  • bicycle : 80.30363917350769
  • person : 83.58567953109741
  • person : 89.06581997871399
  • truck : 63.10953497886658
  • person : 69.82483863830566
  • person : 77.11606621742249
  • bus : 98.00949096679688
  • truck : 84.02870297431946
  • car : 71.98476791381836

可以看出来程序可以对图片中的以下目标进行检测:

人,自行车,卡车,汽车,公交车。

大家可以直接将自己希望检测的照片放到程序里面运行看看效果。

原理解释

现在让我们解释一下10行代码是如何工作的。

  1. from imageai.Detection import ObjectDetectionimport osexecution_path  
  2. = os.getcwd() 

在上面的3行代码中,我们在第一行导入了ImageAI对象检测类,在第二行导入了python os类,并定义了一个变量来保存python文件、RetinaNet模型文件和图像所在的文件夹的路径。

  1. detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelP 
  2. ath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections =  
  3. detector.detectObjectsFromImage(input_image=os.path.join(execution_pa 
  4. th , "image.jpg"), output_image_path=os.path.join(execution_path ,  
  5. "imagenew.jpg")) 

在上面的代码中,我们定义对象检测类在第一线,将模型类型设置为RetinaNet在第二行,设置模型路径的路径在第三行RetinaNet模型,该模型加载到对象检测类在第四行,然后我们称为检测函数,解析输入图像的路径和输出图像路径在第五行。

  1. for eachObject in detections:    print(eachObject["name"] , " : "      
  2. , eachObject["percentage_probability"] ) 

在上面的代码中,我们在第一行迭代了detector.detectObjectsFromImage函数返回的所有结果,然后在第二行打印出图像中检测到的每个对象的模型名称和百分比概率。

代码 人工智能 检测
上一篇:国产深度学习框架MegEngine,三月底即将开源 下一篇:围观各大企业如何活用人工智能,并运用实践?
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

人工智能是应对气候变化的新时代解决方案

气候变化是我们这个星球面临的最大挑战,人工智能可以帮助我们应对不断上升的全球气温。

Cassie ·  15h前
草图变真人脸?AI:可以,多草都行

这篇论文讲技术人员如何在styleGAN顶层训练了一个深度神经网络来学习将源图像映射到styleGAN模型的输入,最终输出高质量的目标图像。

丰色 ·  15h前
深度学习算法

深度学习算法在机器视觉中就如一个巧妙的接收转换器般的存在,它灵活、敏捷、“深度”与广度兼具,强悍的计算与预测能力可以称为其魅力之处。深度计算——可以集数亿个神经网络的自拟,对于数据、语音、图像等多种形式的资源进行分析、解释。

三姆森科技 ·  19h前
人工智能工程可以帮助组织充分利用人工智能

“人工智能”这一术语如今似乎无处不在,这在行业市场的应用中造成一些混乱,甚至可能让技术决策者感到困惑。

Bob Violino ·  19h前
人工智能赖以生存的大数据,掌握在垄断者的手中真的可怕

我至今还记得2016年那场旷世人机大战,人工智能软件“阿尔法狗”战胜世界围棋冠军李世石,那是一场标志性的比赛,打破了人们对人工智能的想象。

国学达人观世界 ·  19h前
中美欧人工智能发展现状比较分析

从投资、人才、研究、硬件、应用、数据多个维度,系统对比中、美、欧人工智能发展现状,最终得出结论称,美国当前依然保持着世界人工智能发展总体领先地位,中国在一些重要领域与美国的差距缩小,欧盟在三者中相对落后。

王璐菲 ·  19h前
基于机器学习的自动漏洞修复分析方法

。在本文中,我们提出了一个基于机器学习的自动化框架来自动化电力公司的修复决策分析。我们将其应用于一家电力公司,并对从该公司获得的两个真实运行数据集进行了大量实验。结果表明,该解决方案具有很高的有效性。

佚名 ·  20h前
通过细胞自动机,AI在「我的世界」学会了盖房子

许多研究采用了更为复杂的神经网络规则,被称为神经元细胞自动机(NCA)。但是其应用大多局限于2D结构,或是只能生成简单的3D结构。

子豪 ·  21h前
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载