目標(biāo)檢測(cè)是指計(jì)算機(jī)和軟件系統(tǒng)對(duì)圖像或場(chǎng)景中的目標(biāo)進(jìn)行定位和識(shí)別的任務(wù)。目標(biāo)檢測(cè)已廣泛應(yīng)用于人臉檢測(cè)、車(chē)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)人駕駛等多個(gè)領(lǐng)域。

早期目標(biāo)檢測(cè)的實(shí)現(xiàn)基于經(jīng)典算法，比如流行的計(jì)算機(jī)視覺(jué)庫(kù)OpenCV中支持的算法。然而，這些經(jīng)典算法在不同的條件下無(wú)法獲得穩(wěn)定的性能。

2012年深度學(xué)習(xí)的突破性進(jìn)展和迅速普及，使得R-CNN、Fast-RCNN、Faster-RCNN、RetinaNet以及快速、高度準(zhǔn)確的SSD、YOLO等目標(biāo)檢測(cè)算法應(yīng)運(yùn)而生。這些基于深度學(xué)習(xí)、機(jī)器學(xué)習(xí)的算法，需要一定的數(shù)學(xué)以及深度學(xué)習(xí)框架基礎(chǔ)。有數(shù)百萬(wàn)的專業(yè)計(jì)算機(jī)程序員和軟件開(kāi)發(fā)人員想要集成和創(chuàng)建基于目標(biāo)檢測(cè)算法的新產(chǎn)品。同時(shí)由于理解和實(shí)際使用較為復(fù)雜，一直無(wú)法實(shí)現(xiàn)。如何開(kāi)發(fā)出高效的目標(biāo)檢測(cè)代碼呢？

ImageAI就應(yīng)運(yùn)而生了。

01 ImageAI讓代碼變得簡(jiǎn)潔 ImageAI是一個(gè)python庫(kù)，只需要幾行代碼，就可以讓程序員和軟件開(kāi)發(fā)人員輕松地將最先進(jìn)的計(jì)算機(jī)視覺(jué)技術(shù)集成到他們現(xiàn)有的或新的應(yīng)用中，ImageAI已經(jīng)在Github上開(kāi)源。 Github地址：

https://github.com/OlafenwaMoses/ImageAI

ImageAI目前支持使用在ImageNet-1000數(shù)據(jù)集上訓(xùn)練的4種不同機(jī)器學(xué)習(xí)算法進(jìn)行圖像預(yù)測(cè)和訓(xùn)練。 ImageAI還支持使用在COCO數(shù)據(jù)集上訓(xùn)練的RetinaNet，YOLOv3和TinyYOLOv3進(jìn)行對(duì)象檢測(cè)，視頻檢測(cè)和對(duì)象跟蹤。最后，ImageAI允許訓(xùn)練自定義模型，以執(zhí)行新目標(biāo)的檢測(cè)和識(shí)別。 ImageAI庫(kù)有依賴其他Python庫(kù)，所以在使用ImageAI開(kāi)發(fā)之前還需要導(dǎo)入其他的包。

02 準(zhǔn)備工作 使用ImageAI實(shí)現(xiàn)目標(biāo)檢測(cè)，只需進(jìn)行以下4步：

在你的電腦上安裝Python

安裝ImageAI，配置依賴環(huán)境

下載目標(biāo)檢測(cè)模塊文件

運(yùn)行樣例代碼（只需10行）

下面一步步詳細(xì)展開(kāi)：

（1）從Python官網(wǎng)下載并安裝Python3 鏈接地址： https://python.org

（2）用pip命令安裝以下依賴包:

pipinstalltensorflowpipinstallnumpypipinstallscipypipinstallopencv-pythonpipinstallpillowpipinstallmatplotlibpipinstallh5pypipinstallkeraspip3 install imageai --upgrade 注意：第一次安裝ImageAI庫(kù)，需要下載對(duì)應(yīng)版本的.whl文件，Python3的環(huán)境需要下載imageai-2.0.2-py3-none-any.whl 文件，然后轉(zhuǎn)移到相應(yīng)的文件夾下，執(zhí)行如下命令即可安裝：

pip install imageai-2.0.2-py3-none-any.whl .whl文件鏈接地址：https://github.com/OlafenwaMoses/ImageAI/releases/download/2.0.2/imageai-2.0.2-py3-none-any.whl

（3）下載用于目標(biāo)檢測(cè)的RetinaNet模型文件 鏈接地址：https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5

03 開(kāi)啟10行代碼的目標(biāo)檢測(cè) 到這里你已經(jīng)安裝好了所有的依賴項(xiàng)，可以開(kāi)始編寫(xiě)你的第一個(gè)目標(biāo)檢測(cè)的代碼了。 創(chuàng)建一個(gè)Python文件并命名（如FirstDetection.py），然后將下面的代碼寫(xiě)入該文件。將RetinaNet模型文件和要檢測(cè)的圖像復(fù)制到包含Python文件的文件夾中。 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.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")) foreachObject in detections: print(eachObject["name"] ," : ", eachObject["percentage_probability"] )

然后運(yùn)行代碼，等待結(jié)果輸出。結(jié)果顯示后，就可以在FirstDetection.py所在的文件夾下找到保存下來(lái)的新圖像。

在Spyder編譯器中運(yùn)行結(jié)果如下所示：

輸出的目標(biāo)檢測(cè)精度結(jié)果： person : 57.20391869544983 person : 52.57977843284607 person : 70.81094980239868 person : 76.99859142303467 person : 79.40077781677246 bicycle : 81.0384213924408 person : 83.66722464561462 person : 89.41188454627991 truck : 60.61040759086609 person : 69.65749859809875 bus : 97.92424440383911 truck : 83.94358158111572 car : 72.50492572784424 在Spyder編譯器中運(yùn)行結(jié)果如下所示：

輸出的目標(biāo)檢測(cè)精度結(jié)果： person : 62.45866417884827 person : 58.67737531661987 person : 69.44932341575623 person : 71.84218168258667 person : 59.53381657600403 person : 54.65759038925171 motorcycle : 65.84504842758179 bus : 99.40318465232849 car : 72.41445779800415 person : 58.32530856132507 person : 54.449981451034546 person : 80.11815547943115 person : 74.30745959281921 person : 77.78302431106567 person : 71.15439772605896 bicycle : 69.92427110671997 person : 66.17957353591919 bicycle : 90.50283432006836 motorcycle : 94.09030675888062

04 代碼解讀

下面來(lái)解釋一下這10行代碼的工作原理：

fromimageai.Detection importObjectDetectionimport osexecution_path = os.getcwd() 在以上3行代碼中，在第一行導(dǎo)入了ImageAI的目標(biāo)檢測(cè)類；在第二行導(dǎo)入了Python的os類；在第三行中定義了一個(gè)變量，保存Python文件、RetinaNet模型文件以及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")) 在以上5行代碼中，我們?cè)诘谝恍兄卸x了一個(gè)目標(biāo)檢測(cè)類的實(shí)例；在第二行中將實(shí)例的模型類型設(shè)定為RetinaNet；在第三行中將模型路徑設(shè)置為RetinaNet模型的路徑；在第四行中將模型加載到目標(biāo)檢測(cè)類的實(shí)例中；在第五行中調(diào)用檢測(cè)函數(shù)，并將文件輸入輸出路徑作為參數(shù)傳入。 foreachObject in detections: print(eachObject["name"] ," : ", eachObject["percentage_probability"] )

在以上兩行代碼中，第一行用來(lái)對(duì)detector.detectObjectsFromImage函數(shù)返回的所有結(jié)果進(jìn)行迭代，第二行用來(lái)輸出圖片中檢測(cè)到的每個(gè)目標(biāo)的名字及其概率。 05 自定義目標(biāo)檢測(cè)

除此外，ImageAI也支持強(qiáng)大的自定義目標(biāo)檢測(cè)。其中之一是能夠提取圖像中檢測(cè)到的每個(gè)物體。只需要將參數(shù)

extract_detected_objects=True 傳入 detectObjectsFromImage 函數(shù)中，如下所示，目標(biāo)檢測(cè)類將為圖像對(duì)象創(chuàng)建一個(gè)文件夾，提取每個(gè)圖像，將每個(gè)子圖像保存到創(chuàng)建的新文件夾中，并返回一個(gè)包含每個(gè)圖像路徑的數(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) 將其應(yīng)用到第一張圖片上，得到如下結(jié)果： 所有行人都被很好地提取了出來(lái)，為了節(jié)約空間這里只顯示了一部分。 06 ImageAI的其他功能

ImageAI提供了許多功能，可用于目標(biāo)檢測(cè)任務(wù)的自定義和部署。其支持的功能包括：

調(diào)整最小概率：默認(rèn)情況下，概率小于50%的物體不會(huì)顯示。對(duì)于需要高精度的情況，可以增加此值；對(duì)于需要檢測(cè)所有可能對(duì)象的情況，可以減少此值。

自定義目標(biāo)檢測(cè)：通過(guò)提供的CustomObject類，可以使檢測(cè)類檢測(cè)一個(gè)或幾個(gè)特定目標(biāo)。

檢測(cè)速度：通過(guò)將檢測(cè)速度設(shè)置為“fast”、“faster”或“fastest”，可以減少檢測(cè)圖像所需的時(shí)間。

輸入類型：可指定并解析圖像的文件路徑，以Numpy數(shù)組或圖像文件流作為輸入

輸出類型：可指定detectObjectsFromImage函數(shù)以文件或Numpy數(shù)組的形式返回圖像

編輯：jq