利用PaddleDetection自制自己的图像预测项目(二)摄像头检测获得坐标

之前去弄硬件和3d打印鸽了很久,现在的话继续上次的利用PaddleDetection的使用说明,

这一篇的目的是调用摄像头进行目标检测,所以要使用opencv.
值得提醒的是,由于版本的变化,在python安装opencv用pip安装的话是pip install opencv-python,而不是pip install opencv,

并且在引用包的时候要写成import cv2,而不是import opencv的形式.

第一步:准备权重文件

在之前的博客里我们已经,训练出了权重文件了,如下图的样子(这里名字是best_model,选取的权重文件不同名字也会不同,上篇博客中输出模型文件夹为inference_model)

现在我们需要对这三个权重文件进行再处理,这里我们需要调用,tools文件夹下的export_model.py文件,
使用命令如下:

python tools/export_model.py -c configs/yolov3_mobilenet_v1_fruit.yml -o weights=inference_model/yolov3_mobilenet_v1_fruit

其中:(记得把要处理的权重文件的名字加上去!)
之后会输出这三个文件
输出路径默认的是output\yolov3_mobilenet_v1_fruit其中(yolov3_mobilenet_v1_fruit是你选择的模型的名字命名的文件夹)
要输出指定位置的在命令行后加上--output_dir和你要输出的路径

值得注意的是,得到的三个文件中,使用记事本打开看看infer_cfg.yml
检查下里面的标签是不是你自己的标签,不是的话改过来,

我这边有出现了程序使用代码自带的默认标签的情况(如bicycle之类的,具体原因是处理标签的那部分代码出错了,系统就默认用之前预设的值了,至于出错的部分,最近忙懒得找,大家直接改输出的infer_cfg.yml文件吧,亲测效果一样的)

第二部,修改infer文件

在修改infer文件之前,我们可以使用其来输入视频(MP4 avi之类的),看能不能输出标注好位置的视频文件,来进行验证得到的权重文件的准确性(一般你图像预测可以,视频的话就没什么问题的)

python deploy/python/infer.py --model_dir=output/yolov3_mobilenet_v1_fruit/ --video_file=../../work/test.mp4 --use_gpu=True  --thresh=0.2

其中:
–model_dir=后面跟你之前第一步得到的那三个文件的路径

–video_file=后面跟你测试的视频文件的路径(注意相对路径和绝对路径的问题,建议用绝对路径)

–use_gpu=True和False决定是否开启GPU运算帮助加速

–thresh=后跟识别的限制阈值,越高则就要满足更高的相似度才能被识别到,建议0.2左右嘛
(哦,突然记起来,如果是linux环境的老铁,记得加在调用命令的前面加感叹号 !
不然可能权限不够,不运行,在百度al studio就得加)

以上输出预测视频没问题之后,建议备份一下infer文件,然后我们就可以开始修改了.
按照以下的部分,我们将默认的video_file参数由字符串类型修改为整形,并将默认值设置为0 (我记得外置摄像头就是0,内置是1)

然后,我们找到源程序部分进行修改如下
由于自己做项目摸索,程序改来改去的地方多,忽略左边的行数哈
由上图一样,我们通过之前的video_file变量找过去,实际修改的是predict_video这个函数(方法)

其实就是简单的将视频流的路径替换成了,摄像头的,以下的反正用以下我修改后的predict_video替换掉原来的就是了

def predict_video():print("predict_video")detector = Detector(FLAGS.model_dir, use_gpu=FLAGS.use_gpu, run_mode=FLAGS.run_mode)print("打印下")print(FLAGS.video_file)capture = cv2.VideoCapture(FLAGS.video_file)capture.set(3, 640)capture.set(4, 480)  # 360# capture.set(3, 320)# capture.set(4, 180)# capture.set(3, 1280)# capture.set(4, 720)# capture.set(3, 160)# capture.set(4, 90)# fps = 30# width = int(capture.get(cv2.CAP_PROP_FRAME_WIDTH))# height = int(capture.get(cv2.CAP_PROP_FRAME_HEIGHT))# fourcc = cv2.VideoWriter_fourcc(*'mp4v')index = 1while (1):ret, frame = capture.read()if not ret:breakprint('detect frame:%d' % (index))index += 1results = detector.predict(frame, FLAGS.threshold)  # 坐標得到..............if (results == 0):im = frameelse:im = visualize_box_mask(frame,results,detector.config.labels,mask_resolution=detector.config.mask_resolution)im = np.array(im)cv2.imshow("capture", im)if cv2.waitKey(1) & 0xFF == ord('q'):break

调用的命令是

python deploy/python/infer.py --model_dir==这里填存放之前转出来的三个文件的文件夹的路径   --thresh=0.2

这时其实你就可以在运行的画面上看到视频图像了
如图:
然后些温馨提示了,代码注释掉的部分可以替换已用的部分来改变视频的分辨率,和帧数.
想将识别的视频进行录制保存的话参考这里的代码修改几行(这个博主写得注释还很详细的)传送门

最后再写点,是关于取得识别物体的坐标数据的,我这边通过打印的数据,与标记后的图片进行对比,发现这里的坐标数据是放在了results[“boxes”]中的
如下:
paddledetection中,字典results[“boxes”][0][1]输出的值为相似度,剩下的分别是图片标记的两个坐标点,即左上角与右下角两个,通过这两个坐标点对视频流中的物体进行标注框选的操作
以下的代码就是将相似度与坐标点提取出来的方法.

 sim1 = results["boxes"][0][1]  # 相似度0.8213138,left_up_x1 = results["boxes"][0][2]  # x轴，左上（左上为零点）10.143881   ,right_down_x1 = results["boxes"][0][4]  # x轴，左上（左上为零点）44.352264left_up_y1 = results["boxes"][0][3]  # y轴，右下（左上为零点）294.28348right_down_y1 = results["boxes"][0][5]  # y轴，右下（左上为零点）328.0142

哦,记得点赞

利用PaddleDetection自制自己的图像预测项目(二)摄像头检测获得坐标相关推荐

近期活动盘点：基于雷达图像预测未来降水参赛经验分享、智慧政府讲座、金融AI思享会、数据法学研讨会（11.29-11.30）
想知道近期有什么最新活动?大数点为你整理的近期活动信息在此: CIKM AnalytiCup 2017-基于雷达图像预测未来降水参赛经验分享 2017年11月29日活动简介: 清华大学清华-青岛数据 ...
PointPillar：利用伪图像高效实现3D目标检测
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达文章导读计算机视觉任务中,2D卷积神经网络得益于极其出色的性能不断刷新着各大视觉任务的榜单,可谓是Y ...
近期活动盘点：基于雷达图像预测未来降水参赛经验分享、大数据基础设施讲座、药品行业分析及大数据应用思享会（11.22-11.29）
想知道近期有什么最新活动?大数点为你整理的近期活动信息在此: CIKM AnalytiCup 2017-基于雷达图像预测未来降水参赛经验分享 2017年11月29日活动简介: 清华大学清华-青岛数据 ...
DL之DNN：自定义2层神经网络TwoLayerNet模型(计算梯度两种方法)利用MNIST数据集进行训练、预测
DL之DNN:自定义2层神经网络TwoLayerNet模型(计算梯度两种方法)利用MNIST数据集进行训练.预测导读利用python的numpy计算库,进行自定义搭建2层神经网络TwoLayerN ...
cnn图像进行预测_CNN方法：使用聚合物图像预测其玻璃化转变温度
cnn图像进行预测 In this article, we will be using the image of the polymer structure to predict its glass ...
VIBE：3D人体姿态预测项目复现笔记
VIBE是一个的3D人体姿态预测开源项目,需要基于该项目作一些开发,首先需要能够搭建和是的环境成功复现它. 不过,这个项目的复现的,真的不是一星半点的艰难. 1.系统选择之前一直用的Windows, ...
化身预言家：利用机器学习与谷歌地图实时预测交通事故风险
全文共4004字,预计学习时长8分钟来源:Pexels 近年来,交通事故频繁发生.如果你和笔者一样常年居住在大都市,那么可能你也听说过,或是亲眼见到过事故现场,甚至曾卷入到某次交通事故中去.由于发生 ...
基于gan和孪生网络框架，利用双时间光学遥感图像绘制滑坡清单Landslide Inventory Mapping Using Bi-Temporal Optical Remote Sensin
Landslide Inventory Mapping Using Bi-Temporal Optical Remote Sensing Images Remote Sensing Images 基于 ...
【五一创作】使用Resnet残差网络对图像进行分类（猫十二分类，模型定义、训练、保存、预测）(二）
使用Resnet残差网络对图像进行分类 (猫十二分类,模型定义.训练.保存.预测)(二) 目录 (6).数据集划分 (7).训练集增强 (8).装载数据集 (9).初始化模型 (10).模型训练 (1 ...

利用PaddleDetection自制自己的图像预测项目(二)摄像头检测获得坐标

利用PaddleDetection自制自己的图像预测项目(二)摄像头检测获得坐标相关推荐

最新文章

热门文章