如何[设定个人化网站]中之Office 365个人化网站导览连结
1552
2022-05-25
前言
基于YOLO进行物体检测、对象识别,在搭建好开发环境后,先和大家进行实践应用中,体验YOLOv3物体/目标检测效果和魅力;同时逐步了解YOLOv3的不足和优化思路。
开发环境参数
系统:Windows 编程语言:Python 3.8
深度学习框架:TensorFlow 2.3 整合开发环境:Anaconda 开发代码IDE:PyCharm
主要使用TensorFlow2.3、opencv-python4.4.0、Pillow、matplotlib 等依赖库。
详情请参考我的另一篇博客:https://bbs.huaweicloud.com/blogs/206824
目录
前言
开发环境参数
体验YOLOv3物体/目标检测
1)下载代码,打开工程
2)下载权重文件
3)权重文件应用到工程
4)进行目标检测
调用模型的核心代码
YOLOv3的物体/目标检测效果:
1)有四只小猫被检测出来:
使用浅蓝色的框框,把小猫的所在位置框出来,并在框框上方注释标签(类别 置信度)。比如第一只小猫检测出的标签是cat ,置信度是0.95,即有95%的把握认为是cat 猫。
2)一只小狗和一只小猫同时被检测出来:
小猫被检测出是cat,1.00;有100%的把握认为是cat 猫;
小狗被检测出是dog,0.97;有97%的把握认为是cat 猫;
3)在复杂的十字路口,有许多行人和车辆被检测出来了:
大家可以看到大部分的行人、小汽车和公交车是被检测出来了,存在小部分没有被检测出来;如果是做特定场景的目标检测,建议大家后续采购特定场景的数据,重新训练网络,生成稳定且高精度的模型,保存权重文件,便于后续使用。
体验YOLOv3物体/目标检测
1)下载代码,打开工程
先到githug下载代码,然后解压工程,然后使用PyCharm工具打开工程;
githug代码-:https://github.com/guo-pu/yolov3-tf2
说明:此仓库代码源于zzh8829/yolov3-tf2 进行修改的,zzh8829/yolov3-tf2代码仓库地址 :https://github.com/zzh8829/yolov3-tf2
使用PyCharm工具打开工程:
打开后的页面是这样的:
【选择开发环境】
文件(file)——>设置(setting)——>项目(Project)——>Project Interpreters 选择搭建的开发环境;
然后先点击Apply,等待加载完成,再点击OK;
2)下载权重文件
方式1:使用wget 来下载
前提:需要支持wget命令;
yolov3.weights、yolov3-tiny.weights都是预先训练好的Darknet网络权重;
yolov3.weights 是默认的权重,支持识别目标的类别更多更精准;
yolov3-tiny.weights 是应用在轻量级设备的权重,对设备的性能要求没这么高,相对yolov3.weights响应速度更快;
进入windows管理员命令窗口:
下载yolov3.weights权重文件】
进入存放数据的目录,比如e盘的data目录,然后执行如下命令进行下载权重值:
wget https://pjreddie.com/media/files/yolov3.weights -O .\yolov3.weights
然后就会开始下载了;
【下载yolov3-tiny.weights权重文件】
wget https://pjreddie.com/media/files/yolov3-tiny.weights -O .\yolov3-tiny.weights
下载好后,来到存放的目录检测是否下载成功和完整;
方式2:在我网盘提取
链接: https://pan.baidu.com/s/1TK4EEWsCHPyunNkJ98Mhjw
提取码: urad
然后把数据复制到下载工程包中,yolov3-tf2-master\data
3)权重文件应用到工程
执行如下命令,把训练好的权重进行转换,并应用到工程中。
在Pycharm的命令终端进入YOLO3-GPU-TensorFlow2开发环境:
conda activate YOLO3-GPU-TensorFlow2
【yolov3.weights】
python convert.py --weights ./data/yolov3.weights --output ./checkpoints/yolov3.tf
执行命令成功后,能看到在checkpoints目录下有三个新增文件
【yolov3-tiny.weights】(可选)
python convert.py --weights ./data/yolov3-tiny.weights --output ./checkpoints/yolov3-tiny.tf --tiny
4)进行目标检测
检测图片中的目标:
python detect.py --image ./data/cat.jpg
有四只小猫被检测出来:使用浅蓝色的框框,把小猫的所在位置框出来,并在框框上方注释标签(类别 置信度)。比如第一只小猫检测出的标签是cat ,置信度是0.95,即有95%的把握认为是cat 猫。
我们可以指定目标检测后生成的图片:
python detect.py --image ./data/cat-dog2.png --output ./data/cat-dog2-output.png
一只小狗和一只小猫同时被检测出来:小猫被检测出是cat,1.00;有100%的把握认为是cat 猫;小狗被检测出是dog,0.97;有97%的把握认为是cat 猫;
我们还可以尝试使用摄像头实时目标检测,或对视频文件进行目标检测,详细参看如下:
目标检测执行命令汇总:
# yolov3 检测图片的对象 python detect.py --image ./data/cat.jpg # yolov3-tiny python detect.py --weights ./checkpoints/yolov3-tiny.tf --tiny --image ./data/street.jpg # webcam 摄像头实时检测对象 python detect_video.py --video 0 # video file 检测视频文件的对象 python detect_video.py --video path_to_file.mp4 --weights ./checkpoints/yolov3-tiny.tf --tiny # video file with output python detect_video.py --video path_to_file.mp4 --output ./output.avi
调用模型的核心代码
detect.py 代码: # yolov3 检测图片的对象
import time from absl import app, flags, logging from absl.flags import FLAGS import cv2 import numpy as np import tensorflow as tf from yolov3_tf2.models import ( YoloV3, YoloV3Tiny ) from yolov3_tf2.dataset import transform_images, load_tfrecord_dataset from yolov3_tf2.utils import draw_outputs flags.DEFINE_string('classes', './data/coco.names', 'path to classes file') flags.DEFINE_string('weights', './checkpoints/yolov3.tf', 'path to weights file') flags.DEFINE_boolean('tiny', False, 'yolov3 or yolov3-tiny') flags.DEFINE_integer('size', 416, 'resize images to') flags.DEFINE_string('image', './data/girl.png', 'path to input image') flags.DEFINE_string('tfrecord', None, 'tfrecord instead of image') flags.DEFINE_string('output', './output.jpg', 'path to output image') flags.DEFINE_integer('num_classes', 80, 'number of classes in the model') def main(_argv): physical_devices = tf.config.experimental.list_physical_devices('GPU') for physical_device in physical_devices: tf.config.experimental.set_memory_growth(physical_device, True) if FLAGS.tiny: yolo = YoloV3Tiny(classes=FLAGS.num_classes) else: yolo = YoloV3(classes=FLAGS.num_classes) yolo.load_weights(FLAGS.weights).expect_partial() logging.info('weights loaded') class_names = [c.strip() for c in open(FLAGS.classes).readlines()] logging.info('classes loaded') if FLAGS.tfrecord: dataset = load_tfrecord_dataset( FLAGS.tfrecord, FLAGS.classes, FLAGS.size) dataset = dataset.shuffle(512) img_raw, _label = next(iter(dataset.take(1))) else: img_raw = tf.image.decode_image( open(FLAGS.image, 'rb').read(), channels=3) img = tf.expand_dims(img_raw, 0) img = transform_images(img, FLAGS.size) t1 = time.time() boxes, scores, classes, nums = yolo(img) t2 = time.time() logging.info('time: {}'.format(t2 - t1)) logging.info('detections:') for i in range(nums[0]): logging.info('\t{}, {}, {}'.format(class_names[int(classes[0][i])], np.array(scores[0][i]), np.array(boxes[0][i]))) img = cv2.cvtColor(img_raw.numpy(), cv2.COLOR_RGB2BGR) img = draw_outputs(img, (boxes, scores, classes, nums), class_names) cv2.imwrite(FLAGS.output, img) logging.info('output saved to: {}'.format(FLAGS.output)) if __name__ == '__main__': try: app.run(main) except SystemExit: pass
希望对你有帮助。( •̀ ω •́ )✧
AI
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。