這篇文章主要介紹了Python如何實(shí)現(xiàn)AI目標(biāo)檢測(cè)技術(shù)，具有一定借鑒價(jià)值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。
示例：
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.h6")) 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"] )
沒錯(cuò)，用這寥寥10行代碼，就能實(shí)現(xiàn)目前AI產(chǎn)品中應(yīng)用廣泛的目標(biāo)檢測(cè)技術(shù)。
看完了代碼，下面容我們聊聊目標(biāo)檢測(cè)背后的技術(shù)背景，并解讀這10行Python代碼的由來(lái)和實(shí)現(xiàn)原理。
目標(biāo)檢測(cè)簡(jiǎn)介
人工智能的一個(gè)重要領(lǐng)域就是計(jì)算機(jī)視覺，它是指計(jì)算機(jī)及軟件系統(tǒng)識(shí)別和理解圖像與視頻的科學(xué)。計(jì)算機(jī)視覺包含很多細(xì)分方向，比如圖像識(shí)別、目標(biāo)檢測(cè)、圖像生成和圖像超分辨率等。其中目標(biāo)檢測(cè)由于用途廣泛，在計(jì)算機(jī)視覺領(lǐng)域的意義最為深遠(yuǎn)。
目標(biāo)檢測(cè)是指計(jì)算機(jī)和軟件系統(tǒng)能夠定位出圖像/畫面中的物體，并識(shí)別出它們。目標(biāo)檢測(cè)技術(shù)已經(jīng)廣泛應(yīng)用于人臉檢測(cè)、車輛檢測(cè)、人流量統(tǒng)計(jì)、網(wǎng)絡(luò)圖像、安防系統(tǒng)和無(wú)人車等領(lǐng)域。和其它計(jì)算機(jī)視覺技術(shù)一樣，目標(biāo)檢測(cè)未來(lái)會(huì)進(jìn)一步成為人工智能的重要組成部分，有著廣闊的發(fā)展前景。
不過(guò)，在軟件應(yīng)用和系統(tǒng)中使用現(xiàn)代目標(biāo)檢測(cè)方法以及根據(jù)這些方法創(chuàng)建應(yīng)用，并非簡(jiǎn)單直接。早期的目標(biāo)檢測(cè)實(shí)現(xiàn)主要是應(yīng)用一些經(jīng)典算法，比如OpenCV中支持的算法。然而這些算法的表現(xiàn)并不穩(wěn)定，在不同情況下差異巨大。
2012年深度學(xué)習(xí)技術(shù)的突破性進(jìn)展，催生了一大批高度精準(zhǔn)的目標(biāo)檢測(cè)算法，比如R-CNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，RetinaNet和既快又準(zhǔn)的SSD及YOLO。使用這些基于深度學(xué)習(xí)的方法和算法，需要理解大量的數(shù)學(xué)和深度學(xué)習(xí)框架?，F(xiàn)在全世界有數(shù)以百萬(wàn)計(jì)的開發(fā)者在借助目標(biāo)檢測(cè)技術(shù)創(chuàng)造新產(chǎn)品新項(xiàng)目，但由于理解和使用較為復(fù)雜困難，仍有很多人不得要領(lǐng)。
為了解決這個(gè)困擾開發(fā)者們的問題，計(jì)算機(jī)視覺專家Moses Olafenwa帶領(lǐng)團(tuán)隊(duì)推出了Python庫(kù)ImageAI，能讓開發(fā)人員只需寥寥數(shù)行代碼就能很容易的將最先進(jìn)的計(jì)算機(jī)視覺技術(shù)應(yīng)用到自己的項(xiàng)目和產(chǎn)品中。
我們開頭所示的10行代碼實(shí)現(xiàn)，就是要用到ImageAI。
如何借助ImageAI輕松實(shí)現(xiàn)目標(biāo)檢測(cè)
使用ImageAI執(zhí)行目標(biāo)檢測(cè)，你只需以下4步：
1.在電腦上安裝Python
2.安裝ImageAI及其環(huán)境依賴
3.下載目標(biāo)檢測(cè)模塊文件
4.運(yùn)行示例代碼，就是我們展示的那10行
下面我們一步步詳細(xì)講解。
1）從Python官網(wǎng)下載和安裝Python 3
python.org/
2）通過(guò)pip安裝如下環(huán)境依賴
1.Tensorflow
pip install tensorflow
2.Numpy
pip install numpy
3.SciPy
pip install scipy
4.OpenCV
pip install opencv-python
5.Pillow
pip install pillow
6.Matplotlib
pip install matplotlib
7.H5py
pip install h6py
8.Keras
pip install keras
9.ImageAI
pip install
3）通過(guò)該 鏈接 下載RetinaNet 模型文件用于目標(biāo)檢測(cè)。
到了這里我們已經(jīng)安裝好了所有依賴，就可以準(zhǔn)備寫自己的首個(gè)目標(biāo)檢測(cè)代碼了。 創(chuàng)建一個(gè)Python文件，為其命名（比如FirstDetection.py），然后將如下代碼寫到文件中，再把RetinaNet模型文件以及你想檢測(cè)的圖像拷貝到包含該P(yáng)ython文件的文件夾里。
FirstDetection.py
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.h6")) 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"] )
然后運(yùn)行代碼，等待控制臺(tái)打印結(jié)果。等控制臺(tái)打印出結(jié)果后，就可以打開FirstDetection.py所在的文件夾，你就會(huì)發(fā)現(xiàn)有新的圖像保存在了里面。比如下面兩張示例圖像，以及執(zhí)行目標(biāo)檢測(cè)后保存的兩張新圖像。
目標(biāo)檢測(cè)之前：
目標(biāo)檢測(cè)之后：
我們可以看到圖像上顯示了檢測(cè)出的物體名稱及概率。
解讀10行代碼
下面我們解釋一下這10行代碼的工作原理。
from imageai.Detection import ObjectDetection import os execution_path = os.getcwd()
在上面3行代碼中，我們?cè)诘谝恍袑?dǎo)入了ImageAI目標(biāo)檢測(cè)類，在第二行導(dǎo)入Python os類，在第三行定義了一個(gè)變量，獲取通往我們的Python文件、RetinaNet模型文件和圖像所在文件夾的路徑。
detector = ObjectDetection() detector.setModelTypeAsRetinaNet() detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h6")) detector.loadModel() detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))
在上面5行代碼中，我們?cè)诘谝恍卸x我們的目標(biāo)檢測(cè)類，在第二行設(shè)定RetinaNet的模型類型，在第三行將模型路徑設(shè)置為RetinaNet模型的路徑，在第四行將模型加載到目標(biāo)檢測(cè)類中，然后我們?cè)诘谖逍姓{(diào)用檢測(cè)函數(shù)，并在輸入和輸出圖像路徑中進(jìn)行解析。
for eachObject in detections: print(eachObject["name"] + " : " + eachObject["percentage_probability"] )
在上面兩行代碼中，我們迭代了第一行中detector.detectObjectFromImage函數(shù)返回的所有結(jié)果，然后打印出第二行中模型對(duì)圖像上每個(gè)物體的檢測(cè)結(jié)果（名稱和概率）。
ImageAI支持很多強(qiáng)大的目標(biāo)檢測(cè)自定義功能，其中一項(xiàng)就是能夠提取在圖像上檢測(cè)到的每個(gè)物體的圖像。只需將附加參數(shù)extract_detected_objects=True解析為detectObjectsFromImage函數(shù)，如下所示，目標(biāo)檢測(cè)類就會(huì)為圖像物體創(chuàng)建一個(gè)文件夾，提取每張圖像，將它們保存在新創(chuàng)建的文件夾中，并返回一個(gè)包含通過(guò)每張圖像的路徑的額外數(shù)組。
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)
我們用前面的第一張圖像作為例子，可以得到圖像中檢測(cè)到的各個(gè)物體的單獨(dú)圖像：
ImageAI提供了很多功能，能夠用于各類目標(biāo)檢測(cè)任務(wù)的自定義和生產(chǎn)部署。包括：
-調(diào)整最小概率：默認(rèn)概率小于50%的物體不會(huì)顯示，如有需要，你可以自行調(diào)整這個(gè)數(shù)字。
-自定義目標(biāo)檢測(cè)：使用提供的CustomObject類，你可以檢測(cè)一個(gè)或多個(gè)特定物體。
-調(diào)整檢測(cè)速度：可以通過(guò)將檢測(cè)速度設(shè)為“快”“更快”“最快”三個(gè)不同等級(jí)，調(diào)整檢測(cè)速度。
-輸入輸出類型：你可以自定義圖像的路徑，Numpy數(shù)組或圖像的文件流為輸入輸出。
誠(chéng)然，單看這10行代碼每一行，談不上驚艷，也借助了不少庫(kù)，但是僅用10行代碼就能讓我們輕松實(shí)現(xiàn)之前很麻煩的目標(biāo)檢測(cè)，還是能談得上“給力”二字。
感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“Python如何實(shí)現(xiàn)AI目標(biāo)檢測(cè)技術(shù)”這篇文章對(duì)大家有幫助，同時(shí)也希望大家多多支持創(chuàng)新互聯(lián)，關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，更多相關(guān)知識(shí)等著你來(lái)學(xué)習(xí)!
重慶分公司
重慶分公司
