Вы только посмотрите один раз (YOLO) — это современная система обнаружения объектов в реальном времени.

Он применяет одну нейронную сеть к полному изображению. Эта сеть делит изображение на области и прогнозирует ограничивающие рамки и вероятности для каждой области. Эти ограничивающие рамки взвешиваются по предсказанным вероятностям. Он просматривает все изображение во время тестирования, поэтому его прогнозы основаны на глобальном контексте изображения. Это очень быстро, более чем в 1000 раз быстрее, чем R-CNN, и в 100 раз быстрее, чем Fast R-CNN.

Немаксимальное подавление: во время прогнозирования у вас может быть много предсказаний блоков вокруг одного объекта, алгоритм подавления немаксимальных значений будет отфильтровывать те блоки, которые перекрываются друг с другом, а также некоторый порог.

Я попробовал обнаружение объектов на этом видео.

Загрузите следующие файлы:

  • yolov3.cfg
  • yolov3.weight, который содержит предварительно обученные веса с помощью команды wget, как показано ниже.
wget https://pjreddie.com/media/files/yolov3.weights
  • yolov3.txt, который содержит все имена классов, которые может обнаружить эта библиотека.

Импортируйте соответствующие пакеты. Добавьте случайный цвет в каждый класс, который будет использоваться для рисования прямоугольников.

Для каждого изображения вызовите функцию processImage, которая выполняет следующие действия.

  • Принимает кадр изображения в качестве входных данных
  • читать предварительно обученную модель,
  • Собирайте прогнозы
  • Если достоверность меньше 0,5, игнорировать обнаружение
  • Применить немаксимальное подавление
  • Нарисуйте граничные прямоугольники
  • Сохраните выходные изображения с граничными рамками

Теперь мы пытаемся наблюдать за несколькими из этих выходных изображений.

Из-за подавления не максимума иногда, если две машины находятся в одной области, иногда одна из них остается незамеченной.

Обратитесь к моей записной книжке ipython https://github.com/meenavyas/Misc/blob/master/ObjectDetectionUsingYolo/ObjectDetectionUsingYolo.ipynb для получения полного исходного кода.

Ссылки и благодарность

Первоначально опубликовано на сайте meenavyas.wordpress.com 4 декабря 2018 г.