将自己训练的MASK-RCNN模型用于摄像头实时检测

之前已经训练出自己的MASK-RCNN模型，并在单张图片上经行了测试，那么如何在摄像头中实时检测呢，今天就实现这个功能。其实方法很简单，主要就是获取摄像头的frame，然后对这个frame进行检测就行了。

import cv2
import numpy as np
from mrcnn.config import Configclass MouseConfig(Config):"""Configuration for training on the toy  dataset.Derives from the base Config class and overrides some values."""# Give the configuration a recognizable nameNAME = "mouse"# We use a GPU with 12GB memory, which can fit two images.# Adjust down if you use a smaller GPU.IMAGES_PER_GPU = 1# Number of classes (including background)NUM_CLASSES = 1 + 1  # Background + balloon# Number of training steps per epochSTEPS_PER_EPOCH = 100# Skip detections with < 90% confidenceDETECTION_MIN_CONFIDENCE = 0.9def random_colors(N):np.random.seed(1)colors = [tuple(255 * np.random.rand(3)) for _ in range(N)]return colorsdef apply_mask(image, mask, color, alpha=0.5):for n, c in enumerate(color):image[:, :, n] = np.where(mask == 1,image[:, :, n] * (1 - alpha) + alpha * c,image[:, :, n])return imagedef display_instances(image, boxes, masks, ids, names, scores):n_instances = boxes.shape[0]if not n_instances:print('No instances to display')else:assert boxes.shape[0] == masks.shape[-1] == ids.shape[0]colors = random_colors(n_instances)height, width = image.shape[:2]for i, color in enumerate(colors):if not np.any(boxes[i]):continuey1, x1, y2, x2 = boxes[i]mask = masks[:, :, i]image = apply_mask(image, mask, color)image = cv2.rectangle(image, (x1, y1), (x2, y2), color, 2)label = names[ids[i]]score = scores[i] if scores is not None else Nonecaption = '{}{:.2f}'.format(label, score) if score else labelimage = cv2.putText(image, caption, (x1, y1), cv2.FONT_HERSHEY_COMPLEX, 0.7, color, 2)return imageif __name__ == '__main__':import osimport sysimport randomimport utilsROOT_DIR = os.path.abspath("../")sys.path.append(ROOT_DIR)from mrcnn import utilsimport mrcnn.model as modellibsys.path.append(os.path.join(ROOT_DIR, "samples/coco/"))  # To find local versionMODEL_DIR = os.path.join(ROOT_DIR, "logs")COCO_MODEL_PATH = os.path.join(ROOT_DIR, "mask_rcnn_mouse_0030.h5")print('COCO_MODEL_PATH: ',COCO_MODEL_PATH)if not os.path.exists(COCO_MODEL_PATH):print('cannot find coco_model')class InferenceConfig(MouseConfig):GPU_COUNT = 1IMAGES_PER_GPU = 1config = InferenceConfig()config.display()model = modellib.MaskRCNN(mode="inference", model_dir=MODEL_DIR, config=config)# Load weights trained on MS-COCOmodel.load_weights(COCO_MODEL_PATH, by_name=True)class_names = ['BG', 'mouse', 'person', 'bicycle', 'car', 'motorcycle', 'airplane','bus', 'train', 'truck', 'boat', 'traffic light','fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird','cat', 'dog', 'horse', 'sheep', 'cow', 'elephant', 'bear','zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie','suitcase', 'frisbee', 'skis', 'snowboard', 'sports ball','kite', 'baseball bat', 'baseball glove', 'skateboard','surfboard', 'tennis racket', 'bottle', 'wine glass', 'cup','fork', 'knife', 'spoon', 'bowl', 'banana', 'apple','sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza','donut', 'cake', 'chair', 'couch', 'potted plant', 'bed','dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote','keyboard', 'cell phone', 'microwave', 'oven', 'toaster','sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors','teddy bear', 'hair drier', 'toothbrush']capture = cv2.VideoCapture(1)# capture.set(cv2.CAP_PROP_FRAME_WIDTH, 1920)# capture.set(cv2.CAP_PROP_FRAME_HEIGHT, 1080)while True:ret, frame = capture.read()results = model.detect([frame], verbose=0)r = results[0]frame = display_instances(frame, r['rois'], r['masks'], r['class_ids'],class_names, r['scores'])cv2.imshow('camera1', frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakcapture.release()cv2.destroyAllWindows()

摄像头实时显示的结果如下：

参考：https://blog.csdn.net/eereere/article/details/80178595

将自己训练的MASK-RCNN模型用于摄像头实时检测相关推荐

终极指南：构建用于检测汽车损坏的Mask R-CNN模型（附Python演练）
阅读时间将近11分钟介绍计算机视觉领域的应用继续令人惊叹着.从检测视频中的目标到计算人群中的人数,计算机视觉似乎没有无法克服的挑战. 这篇文章的目的是建立一个自定义Mask R-CNN模型,可以检 ...
【CV】Mask R-CNN：用于目标实例分割的通用框架
论文名称:Mask R-CNN 论文下载:https://arxiv.org/abs/1703.06870 论文年份:2017 论文被引:18354(2022/05/03) Abstract We p ...
【笔记】基于 Mask R-CNN 的玉米田间杂草检测方法
<基于 Mask R-CNN 的玉米田间杂草检测方法> 单位:山东农业大学信息科学与工程学院作者:姜红花数据获取相机:Intel RealSense Depth CameraD435 ...
2021极术通讯-CSL-YOLO | 超越Tiny-YOLO V4，全新设计轻量化YOLO模型实现边缘实时检测
首发极术社区如对Arm相关技术感兴趣,欢迎私信aijishu20加入技术微信群. 导读:极术社区与E-learning平台联合推出极术通讯,引入行业媒体和技术社区.咨询机构优质内容,定期分享产业技术 ...
Mask R-CNN 模型
数据准备要训练 Mask R-CNN 实例分割模型,我们首先要准备图像的掩模(mask),使用标注工具 labelme(支持 Windows 和 Ubuntu,使用 (sudo) pip insta ...
【Pytorch神经网络理论篇】 33 基于图片内容处理的机器视觉：目标检测+图片分割+非极大值抑制+Mask R-CNN模型
基于图片内容的处理任务,主要包括目标检测.图片分割两大任务. 1 目标检测目标检测任务的精度相对较高,主要是以检测框的方式,找出图片中目标物体所在的位置.目标检测任务的模型运算量相对较小,速度相对较 ...
Mask R-CNN：实例分割与检测算法
摘要目的:对象实例分割(区别出不同的对象) 提出:Mask R-CNN(扩展的FasterR-CNN)--通过在每个RoI处添加用于预测分割的mask(小的FCN),与用于分类和边界框回归的Fast ...
CVPR 2023 | 白翔团队提出：将CLIP模型用于场景文本检测
点击下方卡片,关注"CVer"公众号 AI/CV重磅干货,第一时间送达点击进入->[计算机视觉]微信技术交流群转载自:CSIG文档图像分析与识别专委会本文简要介绍CV ...
HRNet-v1模型,用于人体形态检测
源码参考:GitHub - HRNet/HRNet-Human-Pose-Estimation: This repo is copied from https://github.com/leoxiao ...

将自己训练的MASK-RCNN模型用于摄像头实时检测

将自己训练的MASK-RCNN模型用于摄像头实时检测相关推荐

最新文章

热门文章