开源图像识别、imageai图像识别、对象识别、识别人、车、猫、狗等80种简易版

imageai官网地址：传送门

详细版地址：https://blog.csdn.net/Baldprogrammer/article/details/116358180

项目地址：传送门

1、安装环境（最终版）
安装python-3.6.8-amd64 一键安装，勾选添加到path中

安装imageAI --官网地址：https://imageai-cn.readthedocs.io/zh_CN/latest/ImageAI.html
cmd执行安裝相关模块：
pip3 install --index-url https://pypi.douban.com/simple -U tensorflow==1.4.0
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U numpy==1.16.0
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U scipy==1.4.1
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U opencv-python==4.5.1.48
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U pillow==8.2.0
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U matplotlib==3.3.4
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U h5py==2.10.0
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple -U keras==2.2.0
pip3 install https://github.com/OlafenwaMoses/ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl

模型文件下载地址：传送门

图像预测:

from imageai.Detection import ObjectDetection
import os# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Errorexecution_path = os.getcwd()
detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()detector.setModelPath(os.path.join(execution_path+"\\model\\" , "resnet50_coco_best_v2.0.1.h5"))
# 设置模型的检测速度 detection_speed="fast" “normal”(default), “fast”, “faster” , “fastest” and “flash”
detector.loadModel(detection_speed="normal")# 定义使用的模型
custom_objects = detector.CustomObjects( person=True, bicycle=True, car=True, motorcycle=True, airplane=True,bus=True, train=True, truck=True, boat=True, traffic_light=True, fire_hydrant=True, stop_sign=True,parking_meter=True, bench=True, bird=True, cat=True, dog=True, horse=True, sheep=True, cow=True, elephant=True, bear=True, zebra=True,giraffe=True, backpack=True, umbrella=True, handbag=True, tie=True, suitcase=True, frisbee=True, skis=True, snowboard=True,sports_ball=True, kite=True, baseball_bat=True, baseball_glove=True, skateboard=True, surfboard=True, tennis_racket=True,bottle=True, wine_glass=True, cup=True, fork=True, knife=True, spoon=True, bowl=True, banana=True, apple=True, sandwich=True, orange=True,broccoli=True, carrot=True, hot_dog=True, pizza=True, donot=True, cake=True, chair=True, couch=True, potted_plant=True, bed=True,dining_table=True, toilet=True, tv=True, laptop=True, mouse=True, remote=True, keyboard=True, cell_phone=True, microwave=True,oven=True, toaster=True, sink=True, refrigerator=True, book=True, clock=True, vase=True, scissors=True, teddy_bear=True, hair_dryer=True,toothbrush=True)# 是否把识别对象抠出来放到文件夹里
isSingle=TrueinPath=execution_path+"\\image\\in\\"
outPath=execution_path+"\\image\\out\\"all_images_array = []
all_files = os.listdir(inPath)
for each_file in all_files:if(each_file.endswith(".jpg") or each_file.endswith(".png")):all_images_array.append(each_file)for path in all_images_array:# 进行识别detections, objects_path = detector.detectCustomObjectsFromImage(extract_detected_objects=isSingle,  # 将识别的图片单独保存出来minimum_percentage_probability=50,  # 置信度input_type="file",  # 输入文件格式 file/array/streamoutput_type="file",  # 输出文件格式 file/array/streamcustom_objects=custom_objects,  # 选择可用模型input_image=os.path.join(inPath, path),  # 输入文件output_image_path=os.path.join(outPath, "copy_"+path),  # 输出文件)# 输出识别信息if isSingle:for eachObject, eachObjectPath in zip(detections, objects_path):print(eachObject["name"] + " : " + eachObject["percentage_probability"])print("Object's image saved in " + eachObjectPath)else:for eachObject in detections:print(eachObject["name"] + " : " + eachObject["percentage_probability"])print("--------------------------------")

对象检测

from imageai.Detection import ObjectDetection
import os# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Errorexecution_path = os.getcwd()
detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()detector.setModelPath(os.path.join(execution_path+"\\model\\" , "resnet50_coco_best_v2.0.1.h5"))
# 设置模型的检测速度 detection_speed="fast" “normal”(default), “fast”, “faster” , “fastest” and “flash”
detector.loadModel(detection_speed="normal")# 定义使用的模型
custom_objects = detector.CustomObjects( person=True, bicycle=True, car=True, motorcycle=True, airplane=True,bus=True, train=True, truck=True, boat=True, traffic_light=True, fire_hydrant=True, stop_sign=True,parking_meter=True, bench=True, bird=True, cat=True, dog=True, horse=True, sheep=True, cow=True, elephant=True, bear=True, zebra=True,giraffe=True, backpack=True, umbrella=True, handbag=True, tie=True, suitcase=True, frisbee=True, skis=True, snowboard=True,sports_ball=True, kite=True, baseball_bat=True, baseball_glove=True, skateboard=True, surfboard=True, tennis_racket=True,bottle=True, wine_glass=True, cup=True, fork=True, knife=True, spoon=True, bowl=True, banana=True, apple=True, sandwich=True, orange=True,broccoli=True, carrot=True, hot_dog=True, pizza=True, donot=True, cake=True, chair=True, couch=True, potted_plant=True, bed=True,dining_table=True, toilet=True, tv=True, laptop=True, mouse=True, remote=True, keyboard=True, cell_phone=True, microwave=True,oven=True, toaster=True, sink=True, refrigerator=True, book=True, clock=True, vase=True, scissors=True, teddy_bear=True, hair_dryer=True,toothbrush=True)# 是否把识别对象抠出来放到文件夹里
isSingle=True# 进行识别
detections, objects_path  = detector.detectCustomObjectsFromImage(extract_detected_objects=isSingle, #将识别的图片单独保存出来minimum_percentage_probability=50, #置信度input_type="file", #输入文件格式 file/array/streamoutput_type="file", #输出文件格式 file/array/streamcustom_objects=custom_objects,  #选择可用模型input_image=os.path.join(execution_path+"\\image\\in\\", "13.jpg"), # 输入文件output_image_path=os.path.join(execution_path+"\\image\\out\\", "13(2).jpg"), # 输出文件)#输出识别信息
if isSingle:for eachObject, eachObjectPath in zip(detections, objects_path):print(eachObject["name"] + " : " + eachObject["percentage_probability"])print("Object's image saved in " + eachObjectPath)
else:for eachObject in detections:print(eachObject["name"] + " : " + eachObject["percentage_probability"])print("--------------------------------")

视频检测

from imageai.Detection import VideoObjectDetection
import os# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Errorexecution_path = os.getcwd()detector = VideoObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPath(os.path.join(execution_path+"\\model\\", "resnet50_coco_best_v2.0.1.h5"))
# 模型等级 “normal”(default), “fast”, “faster” , “fastest” and “flash”
detector.loadModel(detection_speed="fastest")# 定义使用的模型
custom_objects = detector.CustomObjects( person=True, bicycle=True, car=True, motorcycle=True, airplane=True,bus=True, train=True, truck=True, boat=True, traffic_light=True, fire_hydrant=True, stop_sign=True,parking_meter=True, bench=True, bird=True, cat=True, dog=True, horse=True, sheep=True, cow=True, elephant=True, bear=True, zebra=True,giraffe=True, backpack=True, umbrella=True, handbag=True, tie=True, suitcase=True, frisbee=True, skis=True, snowboard=True,sports_ball=True, kite=True, baseball_bat=True, baseball_glove=True, skateboard=True, surfboard=True, tennis_racket=True,bottle=True, wine_glass=True, cup=True, fork=True, knife=True, spoon=True, bowl=True, banana=True, apple=True, sandwich=True, orange=True,broccoli=True, carrot=True, hot_dog=True, pizza=True, donot=True, cake=True, chair=True, couch=True, potted_plant=True, bed=True,dining_table=True, toilet=True, tv=True, laptop=True, mouse=True, remote=True, keyboard=True, cell_phone=True, microwave=True,oven=True, toaster=True, sink=True, refrigerator=True, book=True, clock=True, vase=True, scissors=True, teddy_bear=True, hair_dryer=True,toothbrush=True)video_path = detector.detectCustomObjectsFromVideo(custom_objects=custom_objects, #指定模型input_file_path=os.path.join(execution_path+"\\video\\in\\", "holo1.mp4"),  #输入输入视频路径output_file_path=os.path.join(execution_path+"\\video\\out\\", "holo1_1"),  #不指定默认为avi格式frames_per_second=20, #输出视频的帧数frame_detection_interval=5,#帧间隔 每隔几帧检测一回log_progress=True) #输出日志print(video_path)

效果图:

开源图像识别、imageai图像识别、对象识别、识别人、车、猫、狗等80种简易版相关推荐

lenet5卷积神经网络_tensorflow图像识别入门实战：使用LeNet5模型实现猫狗分类
LeNet5介绍 LeNet-5是一种高效的卷积神经网络,在论文<Gradient-Based Learning Applied to Document Recognition>中有详细 ...
基于Python的卷积神经网络的猫狗图像识别系统
目录基与卷积神经网络模型的猫狗图像识别 1 一. 摘要 2 二. 动机 2 三. 理论和算法理解 2 I.卷积神经网络 2 定义 3 结构 3 应用 5 II.算法实现 5 Part 1 - Dat ...
华为云深度学习kaggle猫狗识别
使用华为云深度学习服务完成kaggle猫狗识别竞赛参考: kaggle猫狗竞赛kernel第一名的代码 Tensorflow官网代码华为云DLS服务github代码 1. 环境配置与数据集处理首 ...
使用卷积神经网络处理猫狗识别数据集_v1
说明采用pytorch框架实现猫狗识别. 数据集下载猫狗识别数据集下载: 链接:https://pan.baidu.com/s/1hfzSacJbNBUhcDDtPnzlsg 提取码:fu74 ...
GitHub开源的ImageAI 库：几行代码可实现目标对象识别
目录 1.图像预测 2.物体检测 3.视频对象检测和跟踪 ImageAI是一个Python库,旨在使开发人员能够使用简单的几行代码构建具有自包含深度学习和计算机视觉功能的应用程序和系统. ...
python 验证码识别阿里云_python3调用阿里云图像识别OCR-实现验证码识别
python3 调用阿里云图像识别OCR-验证码识别前言使用别人的接口,是需要在别人的平台上创建应用的. 所以,我们要先去购买地址:(放心,免费的.) https://market.aliyun ...
神经网络的图像识别技术,神经网络如何识别图像
图像识别系统有几种方式?具体是什么? 图片识别的实现基础是由图像处理.计算机视觉和模糊识别等多学科实现的,现阶段市面上已经有很多像图普科技成熟大厂可以提供智能审核的软件. 在人工智能中,实现图像识别有 ...
计算机识别检测,从猫狗不分到实时识别准确率超过99%，计算机图像识别是如何做到的？...
原标题:从猫狗不分到实时识别准确率超过99%,计算机图像识别是如何做到的? [导读] 十年前,研究人员认为让计算机来区分猫和狗几乎是不可能的.如今,计算机视觉识别的准确率已超过99%.Joseph R ...
超级实时图形计算机,从猫狗不分到实时识别准确率超过99％，计算机图像识别是如何做到的？...
十年前,研究人员认为让计算机来区分猫和狗几乎是不可能的.如今,计算机视觉识别的准确率已超过99%.Joseph Redmon通过一个叫YOLO的开源目标检测方法,可以迅速识别图像和视频中的目标. 来源 ...
Tensorflow 学习入门(二) 初级图像识别——手写数字识别
初级图像识别--手写数字识别背景知识储备 Softmax Regression MNIST 矩阵相乘 One Hot 编码 Cross Entropy(交叉熵) 代码实现引入数据设计数据结构完 ...

开源图像识别、imageai图像识别、对象识别、识别人、车、猫、狗等80种简易版

imageai官网地址：传送门

项目地址：传送门

模型文件下载地址：传送门

图像预测:

对象检测

视频检测

开源图像识别、imageai图像识别、对象识别、识别人、车、猫、狗等80种简易版相关推荐

最新文章

热门文章

开源图像识别、imageai图像识别、对象识别、识别人、车、猫、狗等80种 简易版

imageai官网地址： 传送门

项目地址：传送门

模型文件下载地址：传送门

图像预测:

对象检测

视频检测

开源图像识别、imageai图像识别、对象识别、识别人、车、猫、狗等80种 简易版相关推荐

最新文章

热门文章

开源图像识别、imageai图像识别、对象识别、识别人、车、猫、狗等80种简易版

imageai官网地址：传送门

开源图像识别、imageai图像识别、对象识别、识别人、车、猫、狗等80种简易版相关推荐