目录
前言
最近在整理我磁盘上的照片，发现不少猫照，突然觉得若能把这些猫照都挑出来，观察它们的成长轨迹也是一件不错的事情。一张一张的找实在是太费劲了，能不能自动化地找出来呢？
目标检测，是许多计算机视觉应用的重中之重，比如说我们上次的实例分割：Python 20行代码批量自动抠图，人体关键点提取、人脸识别等。而我们这一次，是要识别猫照。由于时间不多，我们没有时间收集训练集，那么有没有已经训练好的目标检测模型呢？
这时候就要搬出paddlehub了，puddlehub有一个模型叫做YOLOv3，基于 Joseph Redmon和Ali Farhadi提出的单阶段检测器。该检测器与达到同样精度的传统目标检测方法相比，推断速度能达到接近两倍。
YOLOv3将输入图像分成S*S个格子，每个格子预测B个bounding box，每个bounding box预测内容包括: Location(x, y, w, h)、Confidence Score和C个类别的概率，因此我们不仅能够找出猫的照片，还能定位它的位置！甚至能自动数出一张照片里有多少只猫！
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上,如果没有，可以访问这篇文章：超详细Python安装指南 进行安装。
(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda，它内置了Python和pip.
(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点
为了实现识别猫的功能，我们需要安装 paddlepaddle, 进入他们的官方网站就有详细的指引
根据你自己的情况选择这些选项，最后一个CUDA版本，由于本实验不需要训练数据，也不需要太大的计算量，所以直接选择CPU版本即可。选择完毕，下方会出现安装指引，不得不说，Paddlepaddle 这些方面做的还是比较贴心的。
要注意，如果你的Python3环境变量里的程序名称是Python，记得将python3 xxx 语句改为Python xxx 如下进行安装：
python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
你还需要安装paddlehub：
pip install -i https://mirror.baidu.com/pypi/simple paddlehub
2.编写代码
我们先试试单图片识别，找到猫猫：
新建predict.py文件，存放猫照在当前文件夹的imgs文件夹下，命名为c1.jpg. 输入以下代码：
import paddlehub as hub
# 加载模型
yolov3 = hub.Module(name=\"yolov3_darknet53_coco2017\")
# 图片位置
test_img_path = \"imgs/c1.jpg\"
# 输入图片
input_dict = {\"image\": [test_img_path]}
# 输出结果
results = yolov3.object_detection(data=input_dict)
for result in results:
print(result[\'path\'])
print(result[\'data\'])
在终端/CMD输入以下命令运行文件:
python predict.py
# [{\'left\': 684.79376, \'right\': 2024.4724, \'top\': 961.53644, \'bottom\': 2299.855, \'label\': \'cat\', \'confidence\': 0.94765514}, {\'left\': 1461.0829, \'right\': 3853.3633, \'top\': 621.53064, \'bottom\': 2769.5376, \'label\': \'cat\', \'confidence\': 0.8093604}]
可以看到，识别到了两只猫，其中第一只猫顶部位置为961，右部位置为2024，左部位置为684，底部位置为2299。根据这个位置，编写代码，用于框出相应位置的猫：
def paint_rect(input_img: str, output_path: str, labels: list, position: list): \"\"\" 画出矩形 :param input_img: 输入图片 :param output_path: 输出图片 :param labels: 标签 :param positions: 坐标 公众号：Python实用宝典 \"\"\" img = cv2.imread(input_img) for position in positions: print(position) # 画矩形框, 输入参数分别为图像、左上角坐标、右下角坐标、颜色数组、粗细 cv2.rectangle( img, (position[\'left\'], position[\'top\']), (position[\'right\'], position[\'bottom\']), (0, 255, 0), thickness=10 ) if \'cat\' in labels: # 若是猫，则存到另一个地方 shutil.move(input_img, output_path + os.sep + input_img.split(\'/\')[-1]) cv2.imwrite(output_path + os.sep + \'rect_%s\' % input_img.split(\'/\')[-1], img)
效果如下：
3.批量自动识别
这样，我们就有思路进行自动识别了，首先获得该文件夹下所有的图片，其次，将这些图片都放入分类器中进行分类，最后，再根据分类的标签将其提取出来移动到其他地方。
获得该文件夹下所有图片：
def get_all_path(dirpath, *suffix): \"\"\" 获得所有路径 @param dirpath: 目录 @param *suffix: 后缀 公众号：Python实用宝典 \"\"\" path_array = [] for r, ds, fs in os.walk(dirpath): for fn in fs: if os.path.splitext(fn)[1] in suffix: fname = os.path.join(r, fn) path_array.append(fname) return path_array # 获得所有jpg和png图片 image_paths = get_all_path(source_path, \'.jpg\', \'.JPG\', \'png\', \'PNG\')
放入分类器中分类：
# 加载模型
yolov3 = hub.Module(name=\"yolov3_darknet53_coco2017\")
# 输入图片
input_dict = {\"image\": image_paths}
# 输出结果
results = yolov3.object_detection(data=input_dict, labels=[\'cat\'])
根据标签画框并移动：
def paint_rect(input_img: str, output_path: str,
labels: list, position: list):
\"\"\"
画出矩形
:param input_img: 输入图片
:param output_path: 输出图片
:param labels: 标签
:param positions: 坐标
公众号：Python实用宝典
\"\"\"
img = cv2.imread(input_img)
for position in positions:
# 画矩形框, 输入参数分别为图像、左上角坐标、右下角坐标、颜色数组、粗细
cv2.rectangle(
img, (position[\'left\'], position[\'top\']),
(position[\'right\'], position[\'bottom\']),
(0, 255, 0), thickness=10
)
if \'cat\' in labels:
# 若是猫，则存到另一个地方
shutil.move(input_img, output_path + os.sep + input_img.split(\'/\')[-1])
cv2.imwrite(output_path + os.sep + \'rect_%s\' % input_img.split(\'/\')[-1], img)
results = yolov3.object_detection(data=input_dict, labels=[\'cat\'])
for result in results:
path = result[\'path\']
labels = []
positions = []
for target in result[\'data\']:
labels.append(target.get(\'label\', \'\'))
positions.append({
\'left\': target.get(\'left\', -1),
\'top\': target.get(\'top\', -1),
\'right\': target.get(\'right\', -1),
\'bottom\': target.get(\'bottom\', -1)
})
paint_rect(path, target_path, labels, positions)
4.完整代码
import paddlehub as hub
import cv2
import os
import shutil
def get_all_path(dirpath, *suffix):
\"\"\"
获得所有路径
@param dirpath: 目录
@param *suffix: 后缀
\"\"\"
path_array = []
for r, ds, fs in os.walk(dirpath):
for fn in fs:
if os.path.splitext(fn)[1] in suffix:
fname = os.path.join(r, fn)
path_array.append(fname)
return path_array
def paint_rect(input_img: str, output_path: str,
labels: list, position: list):
\"\"\"
画出矩形
:param input_img: 输入图片
:param output_path: 输出图片
:param labels: 标签
:param positions: 坐标
\"\"\"
img = cv2.imread(input_img)
for position in positions:
# 画矩形框, 输入参数分别为图像、左上角坐标、右下角坐标、颜色数组、粗细
cv2.rectangle(
img, (position[\'left\'], position[\'top\']),
(position[\'right\'], position[\'bottom\']),
(0, 255, 0), thickness=10
)
if \'cat\' in labels:
# 若是猫，则存到另一个地方
shutil.move(input_img, output_path + os.sep + input_img.split(\'/\')[-1])
cv2.imwrite(output_path + os.sep + \'rect_%s\' % input_img.split(\'/\')[-1], img)
if __name__ == \'__main__\':
source_path = \'./imgs/\'
target_path = \'./target/\'
# 获得所有jpg和png图片
image_paths = get_all_path(source_path, \'.jpg\', \'.JPG\', \'png\', \'PNG\')
# 加载模型
yolov3 = hub.Module(name=\"yolov3_darknet53_coco2017\")
# 输入图片
input_dict = {\"image\": image_paths}
# 输出结果
results = yolov3.object_detection(data=input_dict, labels=[\'cat\'])
for result in results:
path = result[\'path\']
labels = []
positions = []
print(path)
for target in result[\'data\']:
labels.append(target.get(\'label\', \'\'))
positions.append({
\'left\': target.get(\'left\', -1),
\'top\': target.get(\'top\', -1),
\'right\': target.get(\'right\', -1),
\'bottom\': target.get(\'bottom\', -1)
})
paint_rect(path, target_path, labels, positions)
暂无评论内容