作為人工智能的一個重要領(lǐng)域，計算機視覺是一門可以識別并理解圖像和場景的計算機及軟件系統(tǒng)科學(xué)。該領(lǐng)域主要包括圖像識別，目標(biāo)檢測，圖像生成，圖像超分辨率等多個方向。由于現(xiàn)實中存在眾多的實際案例，目標(biāo)檢測應(yīng)該是計算機視覺中最令人深刻的一個方向。在本教程中，我們將簡要介紹包括當(dāng)前目標(biāo)檢測的概念，軟件開發(fā)人員所面臨的挑戰(zhàn)，相應(yīng)的解決方案以及執(zhí)行高性能目標(biāo)檢測的編碼教程等內(nèi)容。

目標(biāo)檢測是指計算機和軟件系統(tǒng)在圖像/場景中定位并識別出每個目標(biāo)的能力，已廣泛應(yīng)用于人臉檢測，車輛檢測，行人計數(shù)，網(wǎng)絡(luò)圖像，安全系統(tǒng)和無人駕駛汽車等領(lǐng)域。當(dāng)前有很多目標(biāo)檢測方法能夠在實踐中應(yīng)用。像其他任何計算機技術(shù)一樣，各種創(chuàng)造性和效果驚人的目標(biāo)檢測方法都是來自計算機程序員和軟件開發(fā)人員的努力。

在應(yīng)用程序和系統(tǒng)中使用目標(biāo)檢測方法，并基于這些方法構(gòu)建新的應(yīng)用并不是一項直接的任務(wù)。在早期，目標(biāo)檢測的實現(xiàn)包括一些經(jīng)典算法的使用，如在受歡迎的計算機視覺庫OpenCV中支持的算法。然而，這些經(jīng)典算法無法在不同條件下達(dá)到同等優(yōu)秀的工作性能。

2012 年之后，深度學(xué)習(xí)技術(shù)的突破性及其快速應(yīng)用，帶來了諸如 R-CNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，RetinaNet等諸多高精度目標(biāo)檢測方法，以及以 SSD和YOLO為代表的等快而準(zhǔn)的目標(biāo)檢測算法。想要使用這些基于深度學(xué)習(xí)的目標(biāo)檢測方法，我們需要對數(shù)學(xué)知識及深度學(xué)習(xí)框架的深刻理解。數(shù)百萬的專業(yè)計算機程序員和軟件開發(fā)人員想要集成和創(chuàng)建用于目標(biāo)檢測的新產(chǎn)品。但是，理解并在實際中使用目標(biāo)檢測產(chǎn)品需要額外且復(fù)雜的方法，這種技術(shù)超出了一般程序員的能力范圍。

在幾個月前，我的團(tuán)隊就意識到了這個問題，這就是為什么我和John Olafenwa構(gòu)建ImageAI的原因。這是一個基于 Python程序庫，它允許程序員和軟件開發(fā)人員輕松地將最先進(jìn)的計算機視覺技術(shù)集成到他們現(xiàn)有的或新的應(yīng)用程序中。

想要使用ImageAI實現(xiàn)目標(biāo)檢測任務(wù)，你需要做的就是：

1.在計算機系統(tǒng)上安裝Python

2.安裝ImageAI及其依賴庫

3.下目標(biāo)象檢測的模型文件

4.運行示例代碼(只有10行)

現(xiàn)在讓我們開始吧~

1)從Python官網(wǎng)上下載并安裝 Python 3：

https://python.org

2)通過 pip 安裝以下依賴庫：

Ⅰ. Tensorflow：pipinstall tensorflow

II. NumPy：pip install numpy

III. SciPy：pipinstall scipy

IV. OpenCV：pipinstall opencv-python

Ⅴ. Pillow：pip install pillow

Ⅵ. Matplotlib：pipinstall matplotlib

Ⅶ. H5py：pipinstall h5py

Ⅷ. Keras：pip install keras

Ⅸ. ImageAI：pipinstall

https://github.com/OlafenwaMoses/ImageAI/releases

/download/2.0.1/imageai-2.0.1-py3-none-any.whl

3)通過此鏈接下載用于目標(biāo)檢測的RetinaNet模型文件。

https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5

現(xiàn)在，你已經(jīng)安裝了需要的依賴庫。接下來，你就可以編寫第一段目標(biāo)檢測代碼了。創(chuàng)建一個Python文件并為其命名(例如，F(xiàn)irstDetection.py)，然后寫入下面的 10 行代碼，并將RetinaNet模型文件和需要檢測的圖像復(fù)制到包含這個 python 文件的文件夾中。

FirstDetection.py

fromimageai.DetectionimportObjectDetectionimportosexecution_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"))foreachObjectindetections:print(eachObject["name"]+":"+eachObject["percentage_probability"])

然后運行代碼，稍等片刻結(jié)果將顯示在控制臺中。一旦控制臺打印出結(jié)果后，轉(zhuǎn)到FirstDetection.py所在的文件夾，你將找到所保存的新圖像。如下是兩個原圖像樣本，檢測后將保存新圖像。

Before Detection：

Image Credit: alzheimers.co.uk

Image Credit: Wikicommons

After Detection：

控制臺打印的檢測結(jié)果：

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

控制臺打印的檢測結(jié)果：

person: 71.10445499420166

person: 59.28672552108765

person: 59.61582064628601

person: 75.86382627487183

motorcycle: 60.1050078868866

bus: 99.39600229263306

car: 74.05484318733215

person: 67.31776595115662

person: 63.53200078010559

person: 78.2265305519104

person: 62.880998849868774

person: 72.93365597724915

person: 60.01397967338562

person: 81.05944991111755

motorcycle: 50.591760873794556

motorcycle: 58.719027042388916

person: 71.69321775436401

bicycle: 91.86570048332214

motorcycle: 85.38855314254761

現(xiàn)在，我們來解釋下這 10 行代碼是如何工作的。

fromimageai.DetectionimportObjectDetectionimportosexecution_path=os.getcwd()

在上面 3 行代碼種，第一行我們導(dǎo)入了ImageAI目標(biāo)檢測類，第二行導(dǎo)入了 python 的 os 類，第三行定義了一個變量用來保存我們的python文件，其中 RetinaNet模型文件和圖像都將存放在該文件夾路徑下。

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"))

在上面的 5 行代碼中，第一行定義了目標(biāo)檢測類，第二行將模型的類型設(shè)置為RetinaNet，并在第三行將模型路徑設(shè)置為RetinaNet模型的路徑，第四行將模型加載到的目標(biāo)檢測類，第五行調(diào)用目標(biāo)檢測函數(shù)，解析輸入的和輸出的圖像路徑。

foreachObjectindetections:print(eachObject["name"]+":"+eachObject["percentage_probability"])

在上面的2行代碼中，第一行迭代執(zhí)行 detector.detectObjectsFromImage函數(shù)并返回所有的結(jié)果，然后在第二行打印出所檢測到的每個目標(biāo)的名稱及其概率值。

ImageAI支持許多強大的目標(biāo)檢測過程。其中之一就是能夠提取圖像中檢測到的每個目標(biāo)。如下所示，通過簡單地解析將extra_detected_objects = True變?yōu)?detectObjectsFromImage函數(shù)，目標(biāo)檢測類將為圖像目標(biāo)創(chuàng)建一個新的文件夾，提取每張圖像，并將每張圖像保存到新創(chuàng)建的文件夾中，同時返回一個包含每張圖像路徑的額外數(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)

下面我們來看看在第一張圖像上取得的目標(biāo)檢測結(jié)果：

所有包含行人的圖像都能被提取出來了，我沒有保存所有的目標(biāo)，因為它們會占用太多不必要的空間。

ImageAI還提供了更多功能，可用于定制和生產(chǎn)功能部署所需的目標(biāo)檢測任務(wù)。一些支持的功能如下：

Adjusting Minimum Probability：默認(rèn)情況下，檢測概率低于 50% 的對象將不會顯示或報告。你可以增加高確定性目標(biāo)的檢測概率，或者在需要檢測所有可能對象的情況下降低該概率值。

Custom Objects Detection：使用所提供的CustomObject類，如此檢測類函數(shù)將打印出一個或幾個唯一目標(biāo)的檢測結(jié)果。

Detection Speed：通過將檢測速度設(shè)置為“fast”、“faster”和“fastest”，以便縮短目標(biāo)檢測所需的時間。

Input Types：你可以指定并解析圖像的文件路徑，Numpy數(shù)組或圖像文件流作為輸入圖像

Output Types：你可以指定detectObjectsFromImage函數(shù)所返回的圖像格式，可以是以文件或Numpy數(shù)組的形式。