5個步驟實現(xiàn)目標檢測

重磅干貨，第一時間送達

本文轉(zhuǎn)自：磐創(chuàng)AI

【導(dǎo)讀】目標檢測技術(shù)是當今計算機視覺領(lǐng)域的發(fā)展趨勢。在場景圖像和視頻中，有許多方法被用來檢測物體。在資源和執(zhí)行時間方面，每種技術(shù)都有自己的優(yōu)勢和局限性。檢測視頻中的物體也需要大量的技術(shù)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對象，只需5個步驟。

我們將在本任務(wù)中使用pixellib庫，該庫使用實例分割檢測對象。我們還將使用預(yù)訓(xùn)練Mask R-CNN模型來識別視頻中看到的物體。

在這個實現(xiàn)中，我們將檢測交通視頻中的車輛對象。

實例分割是計算機視覺中的一種技術(shù)，它利用圖像分割的方法進行目標檢測。它在像素級識別圖像或視頻中存在的每個對象實例。

在圖像分割中，視覺輸入被分割成若干段，通過形成像素集合來表示對象或?qū)ο蟮囊徊糠帧嵗指钭R別圖像中每個對象的每個實例，而不是像語義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(jīng)網(wǎng)絡(luò)的變體。該模型用于解決計算機視覺中的對象實例分割問題。

它檢測圖像中的對象，同時為每個實例生成一個高質(zhì)量的分割掩碼。它是Faster R-CNN的一個擴展，它增加了一個預(yù)測目標掩碼的分支，與現(xiàn)有的邊界盒識別分支并行。

下面給出了用于實例分割的Mask R-CNN框架。

現(xiàn)在，我們將討論在視頻中檢測物體的步驟。

1.安裝庫和依賴項

在第一步中，我們需要安裝pixellib庫及其依賴項。

!pip install pixellib

2.加載預(yù)先訓(xùn)練的Mask RCNN權(quán)重

由于我們將使用Mask R-CNN模型來檢測目標，我們將下載其預(yù)訓(xùn)練的權(quán)重。

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

3.導(dǎo)入庫

現(xiàn)在，我們將導(dǎo)入已安裝的pixellib庫。我們還將導(dǎo)入instance_segmentation 類，因為我們將使用實例分割方法檢測對象。

import pixellib
from pixellib.instance import instance_segmentation

4.實例化實例分割模型并加載MASK R-CNN權(quán)重

在這一步中，我們將實例化pixellib提供的instance_segmentation類，并使用其預(yù)訓(xùn)練的權(quán)重加載Mask R-CNN模型。

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

5.檢測物體

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(wù)。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(shè)置每秒幀數(shù)，即視頻輸出每秒的幀數(shù)。

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

最后，我們將在工作目錄中獲得輸出視頻。這個過程的時間取決于視頻的長度和大小。你應(yīng)該使用GPU來加快處理速度。對于上面的交通視頻，結(jié)果為

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

你可以定義一個函數(shù)來從YouTube獲取視頻并將其直接傳遞給上面的函數(shù)。

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現(xiàn)視頻中的目標檢測任務(wù)。剛?cè)腴T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/