簡易版物體識別

原標題 |Object Recognition, simplified !

作者 |Ulysse-pacome koudou

譯者 | Aitechnology（曠視演算法研究員）、汪鵬（重慶郵電大學）、Dylan的琴（重慶郵電大學）

阿爾伯特·愛因斯坦曾經說過這麼一句話「如果你不能簡單地解釋它，你就不能很好地理解它」，我深以為然！

尤其是在計算機視覺領在業務中，阻止AI發展的主要障礙之一是深度學習解決方案是需要完全掌握和理解這些工具的工作方式，這是極其複雜的。

除此之外，還有為業務案例開發和實施正確的解決方案的時效性。顯然，該列表並非詳盡無遺，因此企業在實施此類工具時會慢慢採取行動。我還要補充說，與一個更簡單且可能更舊的解決方案相比，評估實現特定案例的AI解決方案的價值是非常好的，但如果工具本身並沒有得到很好的理解，有時可能會遇到挑戰。「AI」，「機器學習」，「深度學習」是當下的流行語，每個人都希望發展自己的AI點，增強客戶體驗和理解，探索更多並擴展他們的專業範圍，這是很好的！＃GoA.I。

這是一個幫助我們實現對象檢測演算法作為解決方案工具的解決方案。非常感謝John Olafenwa及其團隊構建ImageAI軟體包，這使得程序員的生活變得更加輕鬆，不僅可以使用，還可以了解對象檢測的工作原理。//深入了解DeepQuestAI。使用ImageAI實現測試只能在幾行中完成，快速而強大。

現在讓我們實操一下！

要求：

Jupyter 筆記本安裝了Tensorflow和Keras。

你可以使用Anaconda Navigator在JN上安裝Tensorflow和Keras，只需選擇您的環境並在搜索欄中寫入包名稱（注意：確保選擇未安裝）

從原文下載ImageAI軟體包，雖然Anaconda尚未提供，但誰知道明天會發生什麼？

下載H5Py存儲Numpy矩陣的圖像，更多信息可以參看H5py_website。

最後但同樣重要的是，激情。請喜歡和享受你正在做的事情，如果你對你正在編碼的內容不感興趣，編碼會變得非常無聊，即使這只是一行代碼。成功=時間 激情。

要安裝的庫：Scipy，Numpy，OpenCV，Tensorflow，Pillow，Matplotlib和Keras。

注意：確保將H5py和ImageAI保留在工作目錄中！

現在我們已經完成所有設置，我們將通過幾行代碼來識別圖像文檔中的大多數基本對象。在我們使用Jupiter Notebook之前設置，確保所有下載都在工作目錄中。

作為輸入，我們將在2015年夏天在蒙特利爾某處拍攝一張非常漂亮的照片，目標最終將是檢測照片上的內容，是否有汽車，人物？更多？多少。

首先要安裝ImageAI

這是命令行應該返回的結果。然後載入所有必要的包。

對於實際的檢測我們使用的是著名的開源庫OpenCV，然後基於Tensorflow的Keras預訓練模型我們搭建神經網路。實際上永遠不要忘記，Matplotlib可以清晰的對檢測到的方形區域進行判別，np框架能夠用來存儲數據（再一次發揮巨大作用！）最後我們將工作目錄聲明為可執行路徑，方面後面使用H5py。

現在John的團隊通過創建很長的、痛苦的和複雜的代碼來實現這一目標。通過簡單的調用神經網路的額模型並將圖片作為輸入可以使你的編碼 變得更容易。最終，你可以在工作目錄下得到輸出結果。

所有這一切都很不錯，但是我們依然希望得到結果。。。這有一個簡單的函數可以列印出名字和通過網路預測得到的概率。

在這種情況下，我們引用了三個輸出項，輸出圖像，檢測到的對象的名稱及其概率百分比。我們有圖像，這裡是proba的百分比。名字看起來像這樣：

不一定按順序給出，我們的模型已成功檢測到我作為前景中的人，自行車，即使完整的自行車不在圖片上，另一方面，後面至少有四輛車和幾個人。由於特徵提取，背景和形狀，我身後的綠色汽車被檢測到三次。我們可以深入研究這個問題，但這是一個全新的主題，我建議你閱讀這篇文章以獲取更多信息。

對這個結果感到滿意，我又嘗試了另一張圖片，看看模型可以做到什麼程度吧。

而且它再次令人印象深刻，能夠以66％的概率檢測到背包。並且能夠區分汽車和卡車，但在第二個例子中有幾個人沒檢測到。這仍然是由於特徵提取和形狀的問題，希望模型會變得更好點！

完整代碼：

我們最後一件事沒有涉及的是何時使用物體檢測？如果你還沒有對此做出響應，可以閱讀這篇文章，它提供了有關如何使用對象檢測的七個有趣想法。記住，不要局限於這些想法！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！