5個步驟實作目標檢測-有解無憂

作者|DR. VAIBHAV KUMAR
編譯|VK
來源|Analytics In Diamag

目標檢測技術是當今計算機視覺領域的發展趨勢，在場景影像和視頻中，有許多方法被用來檢測物體，在資源和執行時間方面，每種技術都有自己的優勢和局限性，檢測視頻中的物體也需要大量的技術知識和資源，

因此，人們一直在尋找一種簡單、快速的目標檢測方法，在本文中，我們將演示如何檢測視頻中看到的物件，只需5個步驟，

我們將在本任務中使用pixellib庫，該庫使用實體分割檢測物件，我們還將使用預訓練Mask R-CNN模型來識別視頻中看到的物體，

在這個實作中，我們將檢測交通視頻中的車輛物件，

實體分割是計算機視覺中的一種技術，它利用影像分割的方法進行目標檢測，它在像素級識別影像或視頻中存在的每個物件實體，

在影像分割中，視覺輸入被分割成若干段，通過形成像素集合來表示物件或物件的一部分，實體分割識別影像中每個物件的每個實體，而不是像語意分割那樣對每個像素進行分類，

Mask R-CNN是由Kaiming He等人在Facebook人工智能研究所提出的深層神經網路的變體，該模型用于解決計算機視覺中的物件實體分割問題，

它檢測影像中的物件，同時為每個實體生成一個高質量的分割掩碼，它是Faster R-CNN的一個擴展，它增加了一個預測目標掩碼的分支，與現有的邊界盒識別分支并行，

下面給出了用于實體分割的Mask R-CNN框架，

現在，我們將討論在視頻中檢測物體的步驟，

在第一步中，我們需要安裝pixellib庫及其依賴項，

!pip install pixellib

由于我們將使用Mask R-CNN模型來檢測目標，我們將下載其預訓練的權重，

!wget --quiet https://github.com/matterport/Mask_RCNN/releases/download/v2.0/mask_rcnn_coco.h5

現在，我們將匯入已安裝的pixellib庫，我們還將匯入instance_segmentation 類，因為我們將使用實體分割方法檢測物件，

import pixellib
from pixellib.instance import instance_segmentation

在這一步中，我們將實體化pixellib提供的instance_segmentation類，并使用其預訓練的權重加載Mask R-CNN模型，

segment_video = instance_segmentation()
segment_video.load_model("mask_rcnn_coco.h5")

在這一步中，我們將通過在視頻中MASK R-CNN來處理目標檢測任務，我們會用隨機使用一段交通視頻

視頻：https://analyticsindiamag.com/wp-content/uploads/2020/07/traffic_vid2.mp4?_=1

在這種方法中，我們設定每秒幀數，即視頻輸出每秒的幀數，

segment_video.process_video("traffic_vid2.mp4", show_bboxes = True, frames_per_second= 15, output_video_name="object_detect.mp4")

最后，我們將在作業目錄中獲得輸出視頻，這個程序的時間取決于視頻的長度和大小，你應該使用GPU來加快處理速度，對于上面的交通視頻，結果為

視頻：https://analyticsindiamag.com/wp-content/uploads/2020/07/Object_Detect.mp4?_=2

你可以定義一個函式來從YouTube獲取視頻并將其直接傳遞給上面的函式，

因此，利用以上步驟，我們可以討論一種非常簡單的方法來實作視頻中的目標檢測任務，剛入門計算機視覺的可以用這種方法檢測物體，

原文鏈接：https://analyticsindiamag.com/hands-on-guide-to-detect-objects-in-video-in-5-steps/

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方檔案：
http://sklearn123.com/

歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/83546.html

標籤：其他