10分钟学会使用YOLO及Opencv实现目标评估（下）(2)

在上述代码中，与图像目标评估相近的有：

接下来，将应用非最大值抑制：

    # apply non-maxima suppression to suppress weak, overlapping
    # bounding boxes
    idxs = cv2.dnn.NMSBoxes(boxes, confidences, args["confidence"],
        args["threshold"])
 
    # ensure at least one detection exists
    if len(idxs) > 0:
        # loop over the indexes we are keeping
        for i in idxs.flatten():
            # extract the bounding box coordinates
            (x, y) = (boxes[i][0], boxes[i][1])
            (w, h) = (boxes[i][2], boxes[i][3])
 
            # draw a bounding box rectangle and label on the frame
            color = [int(c) for c in COLORS[classIDs[i]]]
            cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)
            text = "{}: {:.4f}".format(LABELS[classIDs[i]],
                confidences[i])
            cv2.putText(frame, text, (x, y - 5),
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)

同样的，在上述代码中与图像目标评估相近的有：

最终的部分代码如下：

    # check if the video writer is None
    if writer is None:
        # initialize our video writer
        fourcc = cv2.VideoWriter_fourcc(*"MJPG")
        writer = cv2.VideoWriter(args["output"], fourcc, 30,
            (frame.shape[1], frame.shape[0]), True)
 
        # some information on processing single frame
        if total > 0:
            elap = (end - start)
            print("[INFO] single frame took {:.4f} seconds".format(elap))
            print("[INFO] estimated total time to finish: {:.4f}".format(
                elap * total))
 
    # write the output frame to disk
    writer.write(frame)
 
# release the file pointers
print("[INFO] cleaning up...")
writer.release()
vs.release()

总结一下：

现在，打开一个终端并执行下面命令：

$ python yolo_video.py --input videos/car_chase_01.mp4 \
    --output output/car_chase_01.avi --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] 583 total frames in video
[INFO] single frame took 0.3500 seconds
[INFO] estimated total time to finish: 204.0238
[INFO] cleaning up...

图6：YOLO应用于车祸视频对象测试

在视频/ GIF中，你虽然可以看见被检测到的汽车，还可以测试至人员及其交通信号灯！

YOLO目标检测器在该视频中体现相当不错。让这次尝试同一车追逐视频中的不同视频：

$ python yolo_video.py --input videos/car_chase_02.mp4 \
    --output output/car_chase_02.avi --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] 3132 total frames in video
[INFO] single frame took 0.3455 seconds
[INFO] estimated total time to finish: 1082.0806
[INFO] cleaning up...

图7：在该视频中，使用OpenCV和YOLO对象测试来找到该嫌疑人，嫌疑人现在早已撤离车辆并正位于停车场

YOLO再一次能够测试至行人！或者嫌疑人回到它们的车中并再次追逐：

$ python yolo_video.py --input videos/car_chase_03.mp4 \
    --output output/car_chase_03.avi --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] 749 total frames in video
[INFO] single frame took 0.3442 seconds
[INFO] estimated total time to finish: 257.8418
[INFO] cleaning up...

图8：YOLO是一种快速深度学习对象检测器，能够在使用GPU的状况下用于实时视频

最后一个例子，让我们说说如何使用YOLO作为构建流量计数器：

$ python yolo_video.py --input videos/overpass.mp4 \
    --output output/overpass.avi --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] 812 total frames in video
[INFO] single frame took 0.3534 seconds
[INFO] estimated total time to finish: 286.9583
[INFO] cleaning up...

图9：立交桥交通视频说明，YOLO和OpenCV可精确、快速地测试汽车

下面汇总YOLO视频对象测试完整视频：

YOLO目标检测器的最大限制跟特点是：

限制的缘由是鉴于YOLO算法其原本：

因此，如果你的数据集是由许多靠近在一起的小对象组成时，那么就不需要使用YOLO算法。就小物体而言，更快的R-CNN通常效果最好，但是其速度也很慢。在这里也可以使用SSD算法，SSD通常在速率跟准确性方面也是很高的考量。

值得注意的是，在本教程中，YOLO比SSD运行速率慢，大约慢一个数量级。因此，如果你正在使用预先练习的深度学习对象检测器供OpenCV使用，可能必须考量使用SSD算法而不是YOLO算法。

因此，在对于给定问题选取对象检测器时，我倾向于使用下面准则：

图10：在我的书“使用Python进行计算机视觉的深度学习”中，我介绍了多种对象测试算法，包括faster R-CNN、SSD、RetinaNet。书中讲述了怎样建立对象测试图像数据集、训练对象检测器并进行分析。

在本教程中，使用的YOLO模型是在COCO数据集上预先练习的.。但是，如果想在自己的数据集上练习深度学习对象检测器，该怎么操作呢？

大体思路是自己标注数据集，按照darknet网站上的指示及网上博客自己修改相应的参数训练即可。或者在我的书“深度学习计算机视觉与Python”中，详细讲述了怎样将faster R-CNN、SSD和RetinaNet应用于：

书中的所有目标评估章节都包括对算法和代码的具体表明，确保你无法顺利训练自己的对象检测器。在这里可以知道有关我的书的更多信息（并获得免费的样例章节和目录）。

在本教程中，我们学习了怎样使用Deep Learning、OpenCV和Python完成YOLO对象测试。然后，我们详细探讨了YOLO架构，并用Python实现：

在配备的3GHz Intel Xeon W处理器的机器上，YOLO的单次前向传输耗时约0.3秒；但是，使用单次检测器（SSD），检测耗时只需0.03秒，速度提高了一个数量级。对于使用OpenCV和Python在CPU上进行基于即时深度学习的对象测试，你或许应该考量使用SSD算法。

如果你有兴趣在自己的自定义数据集上练习深度学习对象检测器，请尽量参阅写的“使用Python进行计算机视觉深度学习”，其中提供了有关如何顺利训练自己的检测器的具体指南。或者参看本人之前的博客。

原文链接

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-140719-2.html