【opencv有趣应用】基于MobileNet + SSD的物体检测

今天学习使用另外的模型进行物体检测

当前目标检测的算法有很多，如rcnn系列、yolo系列和ssd，前端网络如vgg、AlexNet、SqueezeNet，一种常用的方法是将前端网络设为MobileNet进行特征提取和加速，后端算法为SSD来真正进行目标检测。

之前我们学习了使用darknet上的基于coco数据集训练的yolov3模型来搞，这次我们使用在tensorflow上训练的基于coco数据集训练的MobileNet + SSD模型来搞。

import cv2
import numpy as npdef readAllCleassNames(filename):with open(filename, 'rt') as f:classNames = f.read().rstrip('\n').split('\n')return classNamesif __name__ == '__main__':# ======================= step 1: 先获得所有的类别信息classNames = readAllCleassNames('file/coco_classnames.txt')print(len(classNames))  # 一共有80个类别print(classNames)# ======================= step 2: 定义模型configFile = 'file/ssd_mobilenet_v3_large_coco_2020_01_14.pbtxt'weightFile = 'file/frozen_inference_graph.pb'# 定义模型mobileNet_SSD_Model = cv2.dnn_DetectionModel(weightFile, configFile)# 设置运行的背景，一般情况都是使用opencv dnn作为后台计算mobileNet_SSD_Model.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)# 设置目标设备, DNN_TARGET_CPU其中表示使用CPU计算，默认是的mobileNet_SSD_Model.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)# 设置输入图像值的转换的一些参数mobileNet_SSD_Model.setInputSize(320, 320)  # 设置输入的数据大小mobileNet_SSD_Model.setInputScale(1.0 / 127.5)  # 设置数值缩放，归一化mobileNet_SSD_Model.setInputMean([127.5, 127.5, 127.5])  # 设置各个通道的平均值mobileNet_SSD_Model.setInputSwapRB(True)  # R和B通道进行交换，从BGR到RGB。# ======================= step 3: 得到一个图像，转换后将其输入模型。img = cv2.imread('images/car_person.jpeg')# cv2.imshow('cat', img)# cv2.waitKey(0)# 这个函数直接是一步到位，# 自动获取输出层的layers，# 自动将原始图像数据转成blob类型，# 自动进行前向传播计算# 自动根据confThreshold过滤检测结果，# 自动根据nmsThreshold做了NMS操作，# 返回类别id，各自的置信度，以及boundingboxclassIds, confs, bbox = mobileNet_SSD_Model.detect(img, confThreshold=0.5, nmsThreshold=0.5)if len(classIds) != 0:for classID, conf, box in zip(classIds.flatten(), confs.flatten(), bbox):# 画出一个矩形检测框cv2.rectangle(img, box, color=(255, 0, 0), thickness=2)# 画出检测的目标名称和置信度cv2.putText(img, text="classN_name:{}, confidence:{}%".format(classNames[classID - 1].upper(),"%.2f" % (conf * 100)),org=(box[0], box[1]-10), fontFace=cv2.FONT_HERSHEY_SIMPLEX, fontScale=0.6,color=(0, 0, 255), thickness=2)cv2.imshow('Output', img)

【opencv有趣应用】基于MobileNet + SSD的物体检测相关推荐

激光雷达：最新趋势之基于RangeView的3D物体检测算法
作者丨巫婆塔里的工程师@知乎来源丨https://zhuanlan.zhihu.com/p/406674156 编辑丨3D视觉工坊之前在LiDAR点云物体检测算法的综述中提到了四个发展阶段.在最开 ...
使用自己的数据训练MobileNet SSD v2目标检测--TensorFlow object detection
使用自己的数据训练MobileNet SSD v2目标检测--TensorFlow object detection 1. 配置 1.1 下载models-1.12.0 2. 准备数据集 3. 配置文 ...
基于运动信息的物体检测（背景差分法、帧间差分法和光流法）。
1.背景差分法: 它的基本思想是将输入图像与背景模型进行比较,通过判定灰度等特征的变化,或用直方图等统计信息的变化来分割运动目标. 首先建立好背景模型,存储背景图像.当当前帧与背景图像相减大于一定的阈 ...
更快更精准的感知，元戎启行提出基于LiDAR的3D物体检测新框架｜CVPR 2020
近日,L4级自动驾驶解决方案提供商元戎启行的一篇关于3D物体检测的论文被CVPR2020收录,论文题为"HVNet: Hybrid Voxel Network for LiDAR Based ...
CVPR | 基于LiDAR的3D物体检测新框架
点上方蓝字计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散编辑:Sophia 计算机视觉联盟报道 | 公众号 CVLianMeng 转载于 :元戎启行近日,L4级自动 ...
基于python的移动物体检测_感兴趣区域的移动物体检测，框出移动物体的轮廓 (固定摄像头, opencv-python)...
感兴趣区域.特定区域.框出移动物体的轮廓.越界检测.入侵物体检测.使用 opencv-python库的函数cv2.findContours.cv2.approxPolyDP.cv2.arcLength ...
基于appinventor与EasyDL物体检测API的物体检测app
相关学习网址 Base64编码及其在AppInventor中的应用 APPInventor安卓应用开发AI图像识别简单应用 nventor基础 appinventor自定义插件 *这个简单的能够实现, ...
基于python的移动物体检测_树莓派+摄像头实现对移动物体的检测
在上一篇文章中实现了树莓派下对摄像头的调用,有兴趣的可以看一下:python+opencv实现摄像头调用的方法接下来,我们将使用python+opencv实现对移动物体的检测一.环境变量的配置我 ...
基于YOLOV3的通用物体检测项目实战---（5）利用DarkNet框架进行YOLOV3模型训练实操（笔记）
cfg文件夹: coco.data是能用到的配置文件 [net] # Testing #测试模式batch=1 subdivisions=1 # Training #训练模式每次前向图片的数目=ba ...

【opencv有趣应用】基于MobileNet + SSD的物体检测

【opencv有趣应用】基于MobileNet + SSD的物体检测相关推荐

最新文章

热门文章