10行Python代码也能实现目标检测
本帖最后由 qdsl2212 于 2019-4-1 16:58 编辑用ImageAI实现目标检测，你只需要以下步骤：
1. 安装Python
2. 安装ImageAI和相关函数库
3. 下载目标检测模型文件
4. 运行示例代码（只有10行）
准备工作
测试环境为Windows 64位系统，Python版本为3.6。
1) 从Python官网下载并安装Python3，并安装pip。下载地址：https://pip.pypa.io/en/stable/installing/]https://python.orghttps://pip.pypa.io/en/stable/installing/
2）用pip安装下列依赖找到Pyhthon安装目录下的Scripts文件夹，如C:\XXX \Python\Python36\Scripts，打开cmd命令窗口，依次输入下列安装命令即可。1. Tensorflow：pip install tensorflow2.Numpy：pip install numpy3.SciPypip install scipy4.OpenCVpip install opencv-python5.Pillowpip install pillow6.Matplotlibpip install matplotlib7. H5pypip install h5py8. Keraspip install keras9. ImageAIpipinstall https://github.com/OlafenwaMoses/ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl
注：在安装ImageAI时如果出现异常，可先下载.whl文件，并放在Scripts文件夹下，用下列命令进行安装：pip install imageai-2.0.1-py3-none-any.whl
3) 下载用于目标检测的RetinaNet模型文件：下载地址：https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5准备工作到此结束，你可以写自己的第一个目标检测代码了。新建一个Python文件并命名（如FirstDetection.py），然后将下述代码写入此文件。接着将RetinaNet模型文件、FirstDetection.py和你想检测的图片放在同一路径下，并将图片命名为“image.jpg”。下面是FirstDetection.py中的10行代码：from imageai.Detection import ObjectDetection
import os
execution_path = os.getcwd()
detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))
detector.loadModel()
detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))
for eachObject in detections:
print(eachObject["name"] + " : " + eachObject["percentage_probability"] )然后，双击FirstDetection.py运行代码，并稍等片刻，识别结果就会在控制台打印出来。一旦结果在控制台输出，在包含FirstDetection.py的文件夹里，你会发现一张新保存的图片，文件名为“imagenew.jpg”。
注：如果运行代码时出现下列异常：
则需要安装Numpy+MKL依赖，下载对应的.whl文件并放在Scripts文件夹下，用pip安装.whl文件即可。下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy
检测结果
检测前：
检测后：
检测结果：person : 55.8402955532074person : 53.21805477142334person : 69.25139427185059person : 76.41745209693909bicycle : 80.30363917350769person : 83.58567953109741person : 89.06581997871399truck : 63.10953497886658person : 69.82483863830566person : 77.11606621742249bus : 98.00949096679688truck : 84.02870297431946car : 71.98476791381836
检测结果：person : 71.10445499420166person : 59.28672552108765person : 59.61582064628601person : 75.86382627487183motorcycle : 60.1050078868866bus : 99.39600229263306car : 74.05484318733215person : 67.31776595115662person : 63.53200078010559person : 78.2265305519104person : 62.880998849868774person : 72.93365597724915person : 60.01397967338562person : 81.05944991111755motorcycle : 50.591760873794556motorcycle : 58.719027042388916person : 71.69321775436401bicycle : 91.86570048332214motorcycle : 85.38855314254761
代码解释
下面我们来解释一下这10行代码的含义。
from imageai.Detection import ObjectDetection
import os
execution_path = os.getcwd()
上面3行代码中，第一行导入ImageAI的目标检测类，第二行导入Python的os类，第三行定义一个变量，用来保存Python文件、RetianNet模型文件和图片所在文件夹的路径。detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))
detector.loadModel()
detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))
上面5行代码中，第一行定义目标检测类，第二行将模型类型设置为RetinaNet，第三行将模型的路径设为RetinaNet模型文件所在路径，第四行将模型载入目标检测类，然后第五行调用检测函数，并解析输入图片和输出图片的路径。
for eachObject in detections:
print(eachObject["name"] + " : " + eachObject["percentage_probability"] )
上面2行代码中，第一行迭代所有detector.detectObjectsFromImage函数返回的结果，然后，第二行打印出模型检测出的图片中每个目标的类型和概率。ImageAI还支持配置目标检测过程中的其他功能。例如，将检测到的每个目标的图片单独提取出来。通过简单地把extract_detected_objects=True写入detectObjectsFromImage函数，目标检测类就会为图片对象集新建一个文件夹，然后提取出每个图片，将它们存入这个文件夹，并返回一个数组用来保存每个图片的路径，如下所示：detections, extracted_images = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"), extract_detected_objects=True)我们用第一个示例图片提取出来的检测结果如图所示：
参数配置
为了满足目标检测的生产需求，ImageAI提供了一些可配置的参数，包括：Adjusting Minimum Probability（可调整最小概率阈值）默认阈值为50%，如果检测结果的概率值低于50%，则不显示检测结果。你可以根据具体需求对该阈值进行修改。Custom Objects Detection（自定义目标检测）使用提供的CustomObject类，你可以让检测结果只显示特定类型的目标。Detection Speeds（检测速度）可以将检测速度设置为“fast”、“ faster”和“fastest”，以减少检测图片所需的时间。Input Types（输入类型）你可以解析并修改图像的文件路径，其中，Numpy数组，或是图片文件流都可以作为输入类型。Output Types（输出类型）你可以修改detectObjectsFromImage 函数的返回结果，例如返回图片文件或Numpy数组。
详细的说明文档在GitHub上，GitHub链接：https://github.com/OlafenwaMoses/ImageAI 学习了，就是不知道那个h5文件，如果自己想建一个全新的要怎么做呢，网上找了半天没找到生成这个h5文件的方法，还有里面是些什么类型的数据也不清楚，楼主有教程吗{:1_935:} 自瞄不光能锁头了 还能锁车了 厉害呀博主 谢谢up分享，发现高度封装的新大陆 up,可以百度云分享下下载的RetinaNet模型文件吗，GitHub的下载速度太感人了，thanks 感谢分享! 我虽然不会panseng 但是我觉得你这个很强。 盛赞这个开源的世界~ 模型训练的好 厉害学习了。。。
页:
[1]
2