技术实践丨基于MindSpore框架Yolov3-darknet模型的篮球动作检测体验

摘要：通过对篮球动作的分类训练及识别检测实例的讲解和体验，使我们了解了Yolov3模型的原理、架构等基本知识，为日后的深入学习奠定了基础。

背靠全新的设计理念，华为云推出了 MindSpore深度学习实战营，帮助小白更快的上手高性能深度学习框架，快速训练ResNet-50，实现你的第一个手机App开发，学会智能新闻分类、篮球检测和「猜你喜欢」模型！

MindSpore深度学习实战营，通过 21天的合理课程安排，不仅提供目前大热的移动端部署介绍，还有紧跟时事的趣味实践，更有深度的底层开发讲解，让你从框架到算法到开发，都能一网打尽。

在MindSpore21天实战营的第四堂课，由王老师分享了Yolov3在图像分类、目标检测等方面的实现。通过对篮球动作的分类训练及识别检测实例的讲解和体验，了解了Yolov3模型的原理、架构等基本知识，为日后的深入学习奠定了基础。

本次体验同样基于ModelArts+OBS，基本的操作步骤不复赘述，可以参考之前的文章。作业也同样分为体验作业和进阶作业。

体验作业：输入篮球比赛图片，在ModelArts环境上完成模型推理流程。根据本课提供的代码和操作步骤，是比较容易实现的，在此也不复强调。

进阶作业：输入篮球比赛视频，在ModelArts环境上完成模型推理流程。具体实现步骤如下：

1、下载一段篮球比赛视频，格式最好是mp4、avi等常规格式。用专用播放器下载的特殊格式，还需要转换一下；另外就是考虑到数据量的问题，视频的时间也不宜超过1分钟。本次操作的视频转码mp4后，居然带着水印（试用版），不确定会不会影响后续的识别。

2、对视频进行切分为图片，格式为.jpg。根据本课提供的OpenCV代码，在本地测试成功后，放到ModelArts上调试却不成功，多次调试无果。

2.1本地操作的代码如下图：

2.2 帧率为25，按照10帧取1，共切分出116张图片，图片大小为1920*1080。执行过程如下图所示

2.3 将图片通过OBS-browser-plus上传到OBS桶Yolov3项目数据集路径中；

2.4 修改predit.py代码，使其适应于批量图片的推理，并上传Yolov3代码至OBS桶。

Ps：2.4.1 图片目录中需按名称顺序读取并处理；

2.4.2 要将detection = DetectionEngine(args)语句置于循环中，否则其导致上一张图的Bounding box的累加复用，导致预测结果错误。如下图所示极端状况：

2.5 将Yolov3代码上传OBS桶Yolov3代码目录，并设置启动predict.py；在输出图片遍历的打印信息后，图片的检测工作就完成了，并输出到设置的OBS输出目录中。ModelArts检测日志见下图：

Ps：需注意增加checkpoint_path的配置，做为推理使用的训练模型。具体设置过程参见进阶作业步骤。

2.6、将图片使用OBS-browser-plus下载到本地，使用代码将其合并为视频。同样，ModelArts尝试运行无果。本地运行代码如下：

合成操作打印信息如下图所示：

到此，进阶作业的过程基本完成。

后记：

1、本次课程训练使用的3000张篮球比赛图片，是在ModelArts上使用图片标记完成的，这可以作为深入了解AI模型拓展的一个起点；

2、本次课程提供了GPU版本的代码，ModelArts上未实现的可以尝试在GPU环境下自动完成图片的切分、检测及合并；

3、本节课后老师又补充了Yolov4的代码，可以尝试体验相比Yolov3检测精度是否有所提升。此项目前正在处理报错中，尚未成文，等待后补，谢谢！

本文分享自华为云社区《基于MindSpore框架Yolov3-darknet模型的篮球动作检测体验》，原文作者：Dasming 。

点击关注，第一时间了解华为云新鲜技术~

技术实践丨基于MindSpore框架Yolov3-darknet模型的篮球动作检测体验相关推荐

yolov3模型识别不出训练图片_技术实践丨基于MindSpore框架Yolov3-darknet模型的篮球动作检测体验...
摘要:通过对篮球动作的分类训练及识别检测实例的讲解和体验,使我们了解了Yolov3模型的原理.架构等基本知识,为日后的深入学习奠定了基础. 背靠全新的设计理念,华为云推出了 MindSpore深度学习 ...
基于MindSpore框架的室内场景图像分割方法研究
基于MindSpore框架的室内场景图像分割方法研究概述本文以华为最新国产深度学习框架Mindspore为基础,研究室内场景语义分割方法.本文基于注意力机制改进U-Net网络,并选取VGG16与R ...
CV之IE之Inception：基于TF框架利用Inception模型+GD算法的某层网络图像生成不同尺寸和质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)—五个架构设计思维导图
CV之IE之Inception:基于TF框架利用Inception模型+GD算法的某层网络图像生成不同尺寸和质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)-五个架构设计思维导图 ...
CV之IG之Inception：基于TF框架利用Inception模型+GD算法的某层网络图像生成带背景的不同尺寸高质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例
CV之IG之Inception:基于TF框架利用Inception模型+GD算法的某层网络图像生成带背景的不同尺寸高质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例目录基于 ...
CV之IG之Inception：基于TF框架利用Inception模型+GD算法的某层网络图像生成更高质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用
CV之IG之Inception:基于TF框架利用Inception模型+GD算法的某层网络图像生成更高质量的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用目录基于TF框架利 ...
CV之IG之Inception：基于TF框架利用Inception模型+GD算法的某层网络图像生成更大尺寸的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用
CV之IG之Inception:基于TF框架利用Inception模型+GD算法的某层网络图像生成更大尺寸的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用目录基于TF框架利 ...
CV之IG之Inception：基于TF框架利用Inception模型+GD算法的某层网络图像生成原始的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用
CV之IG之Inception:基于TF框架利用Inception模型+GD算法的某层网络图像生成原始的Deep Dream幻觉梦境图片(特征可视化实现图像可解释性)案例应用目录基于TF框架利用I ...
TFOD：基于TFOD API的官方模型案例对图片进行目标检测
TFOD:基于TFOD API的官方模型案例对图片进行目标检测目录输出结果设计思路代码(部分)实例输出结果设计思路代码(部分)实例 #1.导入基本的包和环境,包括两个TFOD中的包 im ...
技术实践 | 如何基于 Flink 实现通用的聚合指标计算框架
导读:网易云信作为一个 PaaS 服务,需要对线上业务进行实时监控,实时感知服务的"心跳"."脉搏"."血压"等健康状况.通过采集服务拿到 ...

技术实践丨基于MindSpore框架Yolov3-darknet模型的篮球动作检测体验

后记：

技术实践丨基于MindSpore框架Yolov3-darknet模型的篮球动作检测体验相关推荐

最新文章

热门文章