稱為計算機視覺或CV的特定領域具有廣泛的現代應用程序。從被自動駕駛汽車用作道路目標檢測到復雜的面部和肢體語言識別（可以識別可能的犯罪或犯罪活動），CV在當今世界中有很多用途。不可否認，對象檢測還是Computer Vision最酷的應用之一。當今的CV工具可以輕松地在圖像甚至是實時流視頻上實現對象檢測。在此處，我們將看一下使用TensorFlow進行實時對象檢測的簡單演示。

　　設置簡單的對象檢測器

　　先決條件：

　　Tensorflow> = 1.15.0

　　通過執行pip install tensorflow安裝最新版本

　　營造環境

　　步驟1.下載或克隆TensorFlow對象檢測代碼到本地計算機中

　　在終端中執行以下命令：git clone如果您的計算機上未安裝git，則可以選擇從此處下載zip文件。

　　步驟2.安裝依賴項

　　下一步是確保我們擁有在計算機上運行對象檢測器所需的所有庫和模塊。

　　（是情況下，大多數依賴項都隨隨Tensorflow一起提供）

　　·賽頓

　　·contextlib2

　　·枕頭

　　·xml文件

　　·matplotlib

　　如果您發現任何任何模塊，只需在您的環境中執行pip install即可安裝。

步驟3.安裝Protobuf編譯器

　　Protobuf或Protocol示例是Google的語言無關，平臺無關的可擴展機制，用于序列化結構化數據。它可以幫助我們定義我們希望數據的結構方式，一旦結構化，就可以輕松地使用各種語言在各種數據流之間讀寫結構化數據。

　　這也是該項目的依賴項。您可以在此處了解有關Protobufs的更多信息。現在，選擇適合您的操作系統的版本，然后復制下載鏈接。

　　：終端或命令向導，將目錄更改為克隆的存儲庫，然后在終端中執行以下命令。

　　cd模型/研究

　　wget -O protobuf.zip 

　　解壓縮protobuf.zip

　　注意：請確保在模型/研究目錄中解壓縮protobuf.zip文件

　　步驟4.編譯Protobuf編譯器

　　從研究/目錄執行以下命令以編譯協議捆綁。

　　在Python中實現對象檢測

　　現在，我們已經安裝了所有依賴項，讓我們使用Python來實現對象檢測。

　　在此目錄中，您將找到一個名為object_detection_tutorial.ipynb的ipython筆記本。該文件是用于對象檢測的演示，執行時將使用指定的“ ssd_mobilenet_v1_coco_2017_11_17模型對存儲庫中提供的兩個測試圖像進行分類。

　　以下是測試輸出之一：

　　在相同的文件夾中制作一個新的Jupyter筆記本，并遵循以下代碼。

　　在[1]中：

　　import numpy as npimport osimport six.moves.urllib as urllibimport sysimport tarimport import tensorflow as tfimport zipfile from distutils.version import strictVersionfrom collections import defaultdictfrom io import matplotlib import pyplot as plt from PIL import Image＃這是必需的，因為筆記本存儲在object_中。

　　utils中的sys.path.append（“ ..”）作為utils_opsif StrictVersion（tf .__ version__）<StrictVersion（'1.12.0'）：

　　提高ImportError（'請將您的TensorFlow安裝升級到v1.12。*。'）

　　在[2]中：

　　＃這是顯示圖像所必需的。

　　get_ipython（）。run_line_magic（'matplotlib'，'inline'）

　　在[3]中：

　　＃對象檢測導入＃這是來自對象檢測模塊的導入。from utils import label_map_utilfrom utils import visualization_utils as vis_util

　　在[4]中：

　　＃模型準備＃使用`export_inference_graph.py`工具導出的任何模型都可以通過更改`PATH_TO_FROZEN_GRAPH`指向新的.pb文件來加載。＃默認情況下，我們在此處使用“帶有Mobilenet的SSD”模型。＃看到

　　MODEL_NAME ='ssd_mobilenet_v1_coco_2017_11_17'

　　MODEL_FILE = MODEL_NAME +'.tar.gz'

　　DOWNLOAD_BASE =＃凍結檢測圖的路徑。這是用于對象檢測的實際模型。

　　PATH_TO_FROZEN_GRAPH = MODEL_NAME +'/frozen_inference_graph.pb'#用于為每個框添加正確標簽的字符串列表。

　　PATH_TO_LABELS = os.path.join（'data'，'mscoco_label_map.pbtxt'）

　　在[5]中：

　　＃下載模型

　　開瓶器= urllib.request.URLopener（）

　　opener.retrieve（DOWNLOAD_BASE + MODEL_FILE，MODEL_FILE）

　　tar_file = tarfile.open（MODEL_FILE）用于tar_file.getmembers（）中的文件：

　　file_name = os.path.basename（file.name）

　　如果文件名中的“ frozen_inference_graph.pb”：

　　tar_file.extract（文件，os.getcwd（））

　　在[6]中：

　　＃將一個（凍結的）Tensorflow模型加載到內存中。

　　detection_graph = tf.Graph（）和detection_graph.as_default（）：

　　od_graph_def = tf.GraphDef（）

　　使用tf.gfile.GFile（PATH_TO_FROZEN_GRAPH，'rb'）作為fid：

　　serialized_graph = fid.read（）

　　od_graph_def.ParseFromString（serialized_graph）

　　tf.import_graph_def（od_graph_def，name =''）

　　在[7]中：

　　＃加載標簽地圖＃標簽將地圖索引映射到類別名稱，這樣，當我們的卷積網絡預測“ 5”時，＃我們知道它對應于“飛機”。在這里，我們使用內部實用程序函數，但是任何返回將整數映射到適當的字符串標簽的字典的方法都可以

　　category_index = label_map_util.create_category_index_from_labelmap（PATH_TO_LABELS，use_display_name = True）

　　在[8]中：

　　def run_inference_for_single_image（圖像，圖形）：

　　與graph.as_default（）：

　　與tf.Session（）作為sess：

　　＃獲取輸入和輸出張量的句柄

　　ops = tf.get_default_graph（）。get_operations（）

　　all_tensor_names = {ops中op的output.name在op.outputs中的輸出}

　　tensor_dict = {}

　　用于輸入[

　　'num_detections'，'detection_boxes'，'detection_scores'，

　　'detection_classes'，'detection_masks']：

　　張量名稱=鍵+'：0'

　　如果tensor_name在all_tensor_names中：

　　tensor_dict [key] = tf.get_default_graph（）。get_tensor_by_name（tensor_name）

　　如果tensor_dict中的'detection_masks'：

　　＃以下處理僅適用于單個圖像

　　detection_boxes = tf.squeeze（tensor_dict ['detection_boxes']，[0]）

　　detection_masks = tf.squeeze（tensor_dict ['detection_masks']，[0]）

　　＃需要重新框架以將蒙版從框坐標轉換為圖像坐標并適合圖像尺寸。

　　real_num_detection = tf.cast（tensor_dict ['num_detections'] [0]，tf.int32）

　　detection_boxes = tf.slice（detection_boxes，[0，0]，[real_num_detection，-1]）

　　detection_masks = tf.slice（detection_masks，[0，0，0]，[real_num_detection，-1，-1]）

　　detection_masks_reframed = utils_ops.reframe_box_masks_to_image_masks（

　　detection_masks，detection_boxes，image.shape [1]，image.shape [2]）

　　detection_masks_reframed = tf.cast（

　　tf.greater（detection_masks_reframed，0.5），tf.uint8）

　　＃遵循慣例，重新添加批次尺寸

　　tensor_dict ['detection_masks'] = tf.expand_dims（

　　detection_masks_reframed，0）

　　image_tensor = tf.get_default_graph（）。get_tensor_by_name（'image_tensor：0'）

　　＃運行推斷

　　output_dict = sess.run（tensor_dict，feed_dict = {image_tensor：image}）

　　＃所有輸出均為float32 numpy數組，因此請適當轉換類型

　　output_dict ['num_detections'] = int（output_dict ['num_detections'] [0]）

　　output_dict ['detection_classes'] = output_dict [

　　'detection_classes'] [0] .astype（np.int64）

　　output_dict ['detection_boxes'] = output_dict ['detection_boxes'] [0]

　　output_dict ['detection_scores'] = output_dict ['detection_scores'] [0]

　　如果output_dict中的“ detection_masks”：

　　output_dict ['detection_masks'] = output_dict ['detection_masks'] [0]

　　返回output_dict

　　在[8]中：

　　導入cv2

　　cam = cv2.cv2.VideoCapture（0）

　　滾動= Truewhile（滾動）：

　　ret，image_np = cam.read（）

　　image_np_expanded = np.expand_dims（image_np，axis = 0）

　　＃實際檢測。

　　output_dict = run_inference_for_single_image（image_np_expanded，detection_graph）

　　＃可視化檢測結果。

　　vis_util.visualize_boxes_and_labels_on_image_array（

　　image_np

　　output_dict ['detection_boxes']，

　　output_dict ['detection_classes']，

　　output_dict ['detection_scores']，

　　category_index，

　　instance_masks = output_dict.get（'detection_masks'），

　　use_normalized_coordinates =是，

　　line_thickness = 8）

　　cv2.imshow（'image'，cv2.resize（image_np，（1000,800）））

　　如果cv2.waitKey（25）和0xFF == ord（'q'）：

　　打破

　　cv2.destroyAllWindows（）

　　cam.release（）

　　以上即是關于Python實時對象檢測入門指南的全部內容，想了解更多更多關于Python的信息，請繼續關注中培偉業。