学会使用YOLO和Opencv在10分钟内实现目标检测（第1部分）|附带的源代码(2)

在此块中:

过滤掉不必要的测试结果后，我们将:

# apply non-maxima suppression to suppress weak, overlapping bounding# boxesidxs = cv2.dnn.NMSBoxes(boxes, confidences, args["confidence"],
   args["threshold"])

YOLO算法不应用非最大抑制，需要在此处进行说明. 应用非最大抑制可以抑制明显重叠的边界框，并且仅保留最可靠的边界框. NMS还确保我们没有任何多余或无关的边界框. 使用OpenCV的内置NMS DNN模块，可以实现非最大抑制. 所需参数是边界框，置信度，置信度阈值和NMS阈值. 最后，在图像上绘制检测框和分类文字:

# ensure at least one detection existsif 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 image
       color = [int(c) for c in COLORS[classIDs[i]]]
       cv2.rectangle(image, (x, y), (x + w, y + h), color, 2)
       text = "{}: {:.4f}".format(LABELS[classIDs[i]], confidences[i])
       cv2.putText(image, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX,            0.5, color, 2)
# show the output imagecv2.imshow("Image", image)
cv2.waitKey(0)

假设至少有一个检测结果，则使用非最大抑制来确定idx. 然后，我们使用随机类的颜色在图像上绘制边框和文本. 最终，显示结果图像，直到用户按下键盘上的任何键为止. 让我们在下面输入测试链接，打开一个终端并执行以下命令:

$ python yolo.py --image images/baggage_claim.jpg --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] YOLO took 0.347815 seconds

图2: YOLO用于检测机场的人员和行李

从上图可以看到，YOLO不仅可以检测输入图像中的每个人，还可以检测到手提箱. 此外，从图片的右上角可以看到，YOLO还检测到女士肩上的手提包. 让我们尝试另一个示例:

$ python yolo.py --image images/living_room.jpg --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] YOLO took 0.340221 seconds

图3: YOLO用于检测人，狗，电视和椅子

YOLO还可以检测电视监视器和椅子. 令我惊讶的是，YOLO能够检测到椅子，因为它是手工制作的老式“婴儿高脚椅”. 有趣的是，YOLO认为我手中有一个，它实际上不是-玻璃反射的VHS记录，仔细地注视着这个地方，它实际上非常像. 下图示例演示了YOLO Object Detector的局限性和弱点:

$ python yolo.py --image images/dining_table.jpg --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] YOLO took 0.362369 seconds

图4: YOLO用于检测餐桌

尽管YOLO可以正确检测到酒瓶，桌子和花瓶，但只能正确检测到两个酒杯之一. 试试下面的最后一张图片:

$ python yolo.py --image images/soccer.jpg --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] YOLO took 0.345656 seconds

图5: 使用YOLO检测足球运动员和足球

YOLO可以正确检测到场上的每个球员，包括足球本身. 请注意，尽管该区域非常模糊并且被部分遮挡，但仍然可以检测到背景中的人物. 以上是图像检测部分的全部内容. 下一节将介绍视频流中的目标检测以及YOLO算法的摘要.

此分享来自公共微信-AI Technology Newsletter（aiblog_research），作者: Ali Yunqi Begonia

文本中详细说明了原始文本的来源和重印的信息. 如果有任何侵权，请联系yunjia_community@tencent.com将其删除.

原始发表时间: 2018-11-24

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-218523-2.html