日韩无码专区无码一级三级片|91人人爱网站中日韩无码电影|厨房大战丰满熟妇|AV高清无码在线免费观看|另类AV日韩少妇熟女|中文日本大黄一级黄色片|色情在线视频免费|亚洲成人特黄a片|黄片wwwav色图欧美|欧亚乱色一区二区三区

RELATEED CONSULTING
相關(guān)咨詢
選擇下列產(chǎn)品馬上在線溝通
服務(wù)時間：8:30-17:00
你可能遇到了下面的問題
關(guān)閉右側(cè)工具欄

新聞中心

這里有您想知道的互聯(lián)網(wǎng)營銷解決方案
厲害了！用不到20行的Python代碼構(gòu)建一個對象檢測模型

【稿件】當(dāng)一張圖片顯示在眼前時，我們的大腦會馬上會識別出圖片里面所含的對象。另一方面，我們需要花費(fèi)大量的時間和訓(xùn)練數(shù)據(jù)才能讓機(jī)器識別這些對象。

成都創(chuàng)新互聯(lián)公司2013年開創(chuàng)至今，先為洞口等服務(wù)建站，洞口等地企業(yè)，進(jìn)行企業(yè)商務(wù)咨詢服務(wù)。為洞口企業(yè)網(wǎng)站制作PC+手機(jī)+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。

不過鑒于硬件和深度學(xué)習(xí)方面最近的進(jìn)步，這個計(jì)算機(jī)視覺領(lǐng)域變得容易和直觀了許多。

以下面這張圖片為例，該系統(tǒng)能夠識別圖片中的不同對象，準(zhǔn)確度極高。

圖 1

現(xiàn)在對象檢測技術(shù)在各行各業(yè)已迅速得到了采用。它幫助自動駕駛汽車安全地行駛，在擁擠的場所發(fā)現(xiàn)暴力行為，協(xié)助球隊(duì)分析和制作選秀報(bào)告，確保制造零件得到適當(dāng)?shù)馁|(zhì)量控制，不一而足。

這些僅僅是對象探測技術(shù)強(qiáng)大功能的幾個應(yīng)用！在本文中我們將了解對象檢測是什么，看看可用來在該領(lǐng)域解決問題的幾種不同方法。

然后我們將深入研究使用 Python 構(gòu)建我們自己的對象檢測系統(tǒng)?？赐瓯疚暮?，你將掌握足夠的知識，克服不同的對象檢測難題！

注意：本教程假設(shè)你了解了深度學(xué)習(xí)的基礎(chǔ)知識，之前已解決了簡單的圖像處理問題。

如果你還沒有或需要惡補(bǔ)一下，建議先閱讀下列文章：

  • 《深度學(xué)習(xí)的基礎(chǔ)：從人工神經(jīng)網(wǎng)絡(luò)開始》

https://www.analyticsvidhya.com/blog/2016/03/introduction-deep-learning-fundamentals-neural-networks/

  • 《面向計(jì)算機(jī)視覺的深度學(xué)習(xí)：卷積神經(jīng)網(wǎng)絡(luò)簡介》

https://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer-vision-introduction-convolution-neural-networks/

  • 《教程：使用Keras優(yōu)化神經(jīng)網(wǎng)絡(luò)（附有圖像識別案例研究）》

https://www.analyticsvidhya.com/blog/2016/10/tutorial-optimizing-neural-networks-using-keras-with-image-recognition-case-study/

對象檢測是什么？

在我們開始構(gòu)建最先進(jìn)的模型之前，先了解一下對象檢測是什么。我們不妨假設(shè)為自動駕駛汽車構(gòu)建一個行人檢測系統(tǒng)。

假設(shè)你開的汽車捕捉到如下圖這樣的圖像，你會如何描述這個圖像？

圖 2

該圖像實(shí)際上描繪了我們的汽車駛近廣場，幾個人在我們的車前方橫過馬路。

由于交通標(biāo)志看不清楚，汽車的行人檢測系統(tǒng)應(yīng)準(zhǔn)確識別人們行走的位置，以便能避開他們。

那么，汽車的系統(tǒng)該怎樣確保避免行人呢？它能做的就是用邊界框?qū)⑦@些人圈出來，那樣系統(tǒng)就能準(zhǔn)確識別圖像中行人的位置，然后相應(yīng)地決定走哪條路，以免發(fā)生任何意外。

圖 3

我們做對象檢測有兩方面的目標(biāo)：

  • 識別圖像中的所有對象及其位置
  • 過濾掉關(guān)注的對象

解決對象檢測問題的不同方法

我們已知道陳述的問題是什么，那么可以用哪種方法（或哪幾種方法）來解決問題呢？

在本節(jié)中我們將介紹可用于檢測圖像中對象的幾種技術(shù)。先從最簡單的方法開始介紹，然后逐漸深入。

方法 1：樸素方法（分治法）

我們可以采取的最簡單方法就是將圖像分解成四個部分：

圖 4：左上角

圖 5：右上角

圖 6：左下角

圖 7：右下角

下一步是將這每一個部分都饋送給圖像分類器。其輸出結(jié)果就是圖像的某部分有沒有行人。如果有行人，就在原始圖像中標(biāo)記這個圖像塊（patch）。

輸出結(jié)果會像這樣：

圖 8

這是值得先試一下的好方法，但我們尋求的是一種準(zhǔn)確性和精確性極高的系統(tǒng)。

它需要識別整個對象（或本文中的行人），因?yàn)閮H僅定位對象的某些部分可能導(dǎo)致災(zāi)難性的結(jié)果。

方法 2：增加分解數(shù)量

前一個系統(tǒng)做得很好，但我們還能做些什么？我們可以大幅增加輸入到系統(tǒng)的圖像塊的數(shù)量，以此改進(jìn)該系統(tǒng)。

輸出結(jié)果應(yīng)該是這樣：

圖 9

最終這有利也有弊。當(dāng)然，我們的解決方案看起來比樸素方法好一點(diǎn)，但存在太多大同小異的邊界框。這是個問題，我們需要一種更結(jié)構(gòu)化的方法來解決問題。

方法 3：執(zhí)行結(jié)構(gòu)化分解

為了以一種更結(jié)構(gòu)化的方式構(gòu)建對象檢測系統(tǒng)，我們可以遵照下列步驟：

第 1 步：將圖像分解成 10x10 網(wǎng)格，如下圖所示：

圖 10

第 2 步：為每個圖像塊定義質(zhì)心（centroid）。

第 3 步：對于每個質(zhì)心，取高度和縱橫比不一的三個不同的圖像塊，如下圖所示：

圖 11

第 4 步：讓創(chuàng)建的所有圖像塊過一遍圖像分類器，進(jìn)行預(yù)測。

那么最終的輸出結(jié)果怎樣？當(dāng)然更結(jié)構(gòu)化一點(diǎn)、更規(guī)范化一點(diǎn)，請看下面：

圖 12

但我們可以進(jìn)一步改進(jìn)這方面！下面介紹獲得更好結(jié)果的另一種方法。

方法 4：提高效率

我們看到的前一種方法在很大程度上可以接受，但我們可以構(gòu)建比它更高效一點(diǎn)的系統(tǒng)。

對此你有何建議？我首先想到的就是優(yōu)化。如果我們考慮采用方法 3，可以做兩件事來改善模型。

增加網(wǎng)格大小

我們可以將網(wǎng)格大小增加到 20，而不是選擇 10。

圖 13

使用高度和縱橫比不一的更多圖像塊，而不是三個圖像塊

在這里，我們可以讓一個錨點(diǎn)（anchor）對應(yīng) 9 個圖像塊，即 3 個高度不一的方形圖像塊和 6 個高度不一的垂直和水平矩形圖像塊。這將給我們帶來縱橫比不一的圖像塊。

圖 14

這同樣有其優(yōu)缺點(diǎn)。當(dāng)然，這兩種方法都可以幫助我們更精細(xì)化。但它會再次生成不得不過一遍圖像分類器模型的眾多圖像塊。

我們能做的是，取用選擇性的圖像塊，而不是取用所有圖像塊。比如我們可以構(gòu)建一個中間分類器，試著預(yù)測某圖像塊實(shí)際上有沒有背景，即可能含有一個對象。這將大大減少圖像分類器模型所看到的圖像塊。

我們能做的另一種優(yōu)化就是減少表明“同一結(jié)果”的預(yù)測。不妨再以方法 3 的輸出結(jié)果為例：

圖 15

如你所見，兩個邊界框預(yù)測基本上是同一個人。我們可以選擇其中任何一個。

所以為了做預(yù)測，我們考慮“表明同一結(jié)果”的所有邊界框，然后選擇最有可能檢測到人的那個邊界框。

到目前為止，所有這些優(yōu)化都給了我們效果相當(dāng)不錯的預(yù)測。我們幾乎穩(wěn)操勝券，但你猜到少了什么嗎？當(dāng)然是少了深度學(xué)習(xí)！

方法 5：使用深度學(xué)習(xí)

使用深度學(xué)習(xí)用于特征選擇并構(gòu)建端到端方法，深度學(xué)習(xí)在對象檢測領(lǐng)域大有潛力。我們可以在哪里利用深度學(xué)習(xí)來解決我們的問題？如何利用？

我在下面列出了幾種方法：

  • 我們可以讓原始圖像過一遍神經(jīng)網(wǎng)絡(luò)以減少維數(shù)，而不是取用來自原始圖像的圖像塊。
  • 我們還可以使用神經(jīng)網(wǎng)絡(luò)來建議選擇性的圖像塊。
  • 我們可以強(qiáng)化深度學(xué)習(xí)算法，讓預(yù)測盡可能接近原始邊界框。這將確保算法給出更嚴(yán)謹(jǐn)、更精細(xì)的邊界框預(yù)測。

現(xiàn)在我們可以采用單個深度神經(jīng)網(wǎng)絡(luò)模型來嘗試自行解決所有問題，而不是訓(xùn)練不同的神經(jīng)網(wǎng)絡(luò)來解決每一個問題。

這么做的優(yōu)點(diǎn)是，神經(jīng)網(wǎng)絡(luò)每個較小的部分將有助于優(yōu)化同一個神經(jīng)網(wǎng)絡(luò)的其他部分。這將幫助我們共同訓(xùn)練整個深度模型。

輸出結(jié)果將帶來目前為止我們看到的所有方法中最佳的性能，有點(diǎn)類似于下圖。我們在下一節(jié)將看到如何使用 Python 來構(gòu)建這個模型。

圖 16

如何使用 ImageAI 庫構(gòu)建對象檢測模型？

我們已知道了對象檢測是什么、解決這個問題的最佳方法，現(xiàn)在不妨構(gòu)建自己的對象檢測系統(tǒng)！

我們將使用 ImageAI（https://github.com/OlafenwaMoses/ImageAI），這個 Python 庫支持面向計(jì)算機(jī)視覺任務(wù)的最先進(jìn)的機(jī)器學(xué)習(xí)算法。

運(yùn)行對象檢測模型來獲得預(yù)測很簡單。我們不必操心復(fù)雜的安裝腳本即可入手，甚至不需要 GPU 來生成預(yù)測！我們將使用這個 ImageAI 庫來獲得在上面方法 5 中看到的輸出預(yù)測。

強(qiáng)烈建議你遵循下面的代碼（在你自己的機(jī)器上），因?yàn)檫@讓你能夠從本節(jié)獲得盡可能多的知識。

請注意，你在構(gòu)建對象檢測模型之前需要設(shè)置好系統(tǒng)。一旦你在本地系統(tǒng)中安裝了 Anaconda，就可以開始執(zhí)行下列步驟。

第 1 步：使用 Python 版本 3.6 創(chuàng)建 Anaconda 環(huán)境。

 
 
 
 
      
  
  
  
  1. conda create -n retinanet python=3.6 anaconda 
    2.

第 2 步：激活該環(huán)境，安裝必要的程序包。

 
 
 
 
      
  
  
  
  1. source activate retinanet 
    2.   
  
  
  
  2. conda install tensorflow numpy scipy opencv pillow matplotlib h5py keras 
    3.

第 3 步：隨后安裝 ImageAI 庫。

 
 
 
 
      
  
  
  
  1. pip install https://github.com/OlafenwaMoses/ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl 
    2.

第 4 步：現(xiàn)在下載生成預(yù)測所需要的預(yù)訓(xùn)練模型。該模型基于 RetinaNet。

點(diǎn)擊鏈接即可下載：RetinaNet 預(yù)訓(xùn)練模型（https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5）。

第 5 步：將下載的文件復(fù)制到當(dāng)前的工作文件夾。

第6 步：從該鏈接（https://s3-ap-south-1.amazonaws.com/av-blog-media/wp-content/uploads/2018/06/I1_2009_09_08_drive_0012_001351-768x223.png）下載圖像，將圖像命名為 image.png。

第 7 步：打開 jupyter 筆記本（在終端中輸入 jupyter notebook），運(yùn)行下列代碼：

 
 
 
 
      
  
  
  
  1. from imageai.Detection import ObjectDetection 
    2.   
  
  
  
  2. import os 
    3.   
  
  
  
  3.  
    4.   
  
  
  
  4.  
    5.   
  
  
  
  5. execution_path = os.getcwd() 
    6.   
  
  
  
  6.  
    7.   
  
  
  
  7. detector = ObjectDetection() 
    8.   
  
  
  
  8. detector.setModelTypeAsRetinaNet() 
    9.   
  
  
  
  9. detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5")) 
    10.   
  
  
  
  10. detector.loadModel() 
    11.   
  
  
  
  11. custom_objects = detector.CustomObjects(person=True, car=False) 
    12.   
  
  
  
  12. detections = detector.detectCustomObjectsFromImage(input_image=os.path.join(execution_path , "image.png"), output_image_path=os.path.join(execution_path , "image_new.png"), custom_objects=custom_objects, minimum_percentage_probability=65) 
    13.   
  
  
  
  13.  
    14.   
  
  
  
  14.  
    15.   
  
  
  
  15. for eachObject in detections: 
    16.   
  
  
  
  16.    print(eachObject["name"] + " : " + eachObject["percentage_probability"] ) 
    17.   
  
  
  
  17.    print("--------------------------------") 
    18.

這將創(chuàng)建一個名為 image_new.png 的修改后的圖像文件，文件含有圖像的邊界框。

第 8 步：想打印輸出圖像，請使用下列代碼：

 
 
 
 
      
  
  
  
  1. fromIPython.display import Image 
    2.   
  
  
  
  2. Image("image_new.png") 
    3.

恭喜！你已自行構(gòu)建了檢測行人的對象檢測模型。瞧瞧有多棒？

結(jié)束語

在本文中我們了解了對象檢測是什么以及構(gòu)建對象檢測模型背后的機(jī)理。我們還了解了如何使用 ImageAI 庫來構(gòu)建檢測行人的這個對象檢測模型。

只要稍稍改一下代碼，你就很容易改變模型，克服自己的對象檢測難題。

【原創(chuàng)稿件，合作站點(diǎn)轉(zhuǎn)載請注明原文作者和出處為.com】


網(wǎng)頁標(biāo)題：厲害了！用不到20行的Python代碼構(gòu)建一個對象檢測模型
文章源于：http://www.5511xx.com/article/cdphogp.html