只需10行Python代碼，我們就能實(shí)現(xiàn)計(jì)算機(jī)視覺中目標(biāo)檢測。

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"])

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)檢測技術(shù)。

看完了代碼，下面容我們聊聊目標(biāo)檢測背后的技術(shù)背景，并解讀這10行Python代碼的由來和實(shí)現(xiàn)原理。

目標(biāo)檢測簡介

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，比如圖像識別、目標(biāo)檢測、圖像生成和圖像超分辨率等。其中目標(biāo)檢測由于用途廣泛，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，并識別出它們。目標(biāo)檢測技術(shù)已經(jīng)廣泛應(yīng)用于人臉檢測、車輛檢測、人流量統(tǒng)計(jì)、網(wǎng)絡(luò)圖像、安防系統(tǒng)和無人車等領(lǐng)域。和其它計(jì)算機(jī)視覺技術(shù)一樣，目標(biāo)檢測未來會(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，在軟件應(yīng)用和系統(tǒng)中使用現(xiàn)代目標(biāo)檢測方法以及根據(jù)這些方法創(chuàng)建應(yīng)用，并非簡單直接。早期的目標(biāo)檢測實(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。現(xiàn)在全世界有數(shù)以百萬計(jì)的開發(fā)者在借助目標(biāo)檢測技術(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

使用ImageAI執(zhí)行目標(biāo)檢測，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

https://python.org/

2）通過pip安裝如下環(huán)境依賴

1.Tensorflow

pipinstalltensorflow

2.Numpy

pipinstallnumpy

3.SciPy

pipinstallscipy

4.OpenCV

pipinstallopencv-python

5.Pillow

pipinstallpillow

6.Matplotlib

pipinstallmatplotlib

7.H5py

pipinstallh5py

Keras

pipinstallkeras

ImageAI

pipinstall

3）通過該鏈接下載RetinaNet 模型文件用于目標(biāo)檢測。

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的圖像拷貝到包含該P(yáng)ython文件的文件夾里。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(yùn)行代碼，等待控制臺打印結(jié)果。等控制臺打印出結(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)檢測后保存的兩張新圖像。目標(biāo)檢測之前：

目標(biāo)檢測之后：

我們可以看到圖像上顯示了檢測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。

fromimageai.DetectionimportObjectDetectionimportosexecution_path=os.getcwd()

在上面3行代碼中，我們在第一行導(dǎo)入了ImageAI目標(biāo)檢測類，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.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5行代碼中，我們在第一行定義我們的目標(biāo)檢測類，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)檢測類中，然后我們在第五行調(diào)用檢測函數(shù)，并在輸入和輸出圖像路徑中進(jìn)行解析。

foreachObjectindetections: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圖像上每個(gè)物體的檢測結(jié)果（名稱和概率）。

ImageAI支持很多強(qiáng)大的目標(biāo)檢測自定義功能，其中一項(xiàng)就是能夠提取在圖像上檢測到的每個(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：使用提供的CustomObject類，你可以檢測一個(gè)或多個(gè)特定物體。 -調(diào)整檢測速度：可以通過將檢測速度設(shè)為“快”“更快”“最快”三個(gè)不同等級，調(diào)整檢測速度。 -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。

誠然，單看這10行代碼每一行，談不上驚艷，也借助了不少庫，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，還是能談得上“給力”二字。