一文帶你學會使用YOLO及Opencv完成影象及視訊流目標檢測（下）|附原始碼

OpenCV Python 深度學習 · 發表 2018-11-21 01:51:52

摘要：在上一節內容中，介紹瞭如何將YOLO應用於影象目標檢測中，那麼在學會檢測單張影象後，我們也可以利用YOLO演算法實現視訊流中的目標檢測。將YOLO應用於視訊流物件檢測首先開啟 yolo_video.py 檔案並插入以下程式碼： # import the necessa...

在上一節內容中，介紹瞭如何將YOLO應用於影象目標檢測中，那麼在學會檢測單張影象後，我們也可以利用YOLO演算法實現視訊流中的目標檢測。

將YOLO應用於視訊流物件檢測

首先開啟 yolo_video.py 檔案並插入以下程式碼：

# import the necessary packages
import numpy as np
import argparse
import imutils
import time
import cv2
import os
 
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--input", required=True,
help="path to input video")
ap.add_argument("-o", "--output", required=True,
help="path to output video")
ap.add_argument("-y", "--yolo", required=True,
help="base path to YOLO directory")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
help="minimum probability to filter weak detections")
ap.add_argument("-t", "--threshold", type=float, default=0.3,
help="threshold when applyong non-maxima suppression")
args = vars(ap.parse_args())

同樣，首先從匯入相關資料包和命令列引數開始。與之前不同的是，此指令碼沒有 -- image 引數，取而代之的是量個視訊路徑：

-- input
-- output

視訊的輸入可以是手機拍攝的短視訊或者是網上搜索到的視訊。另外，也可以通過將多張照片合成為一個短視訊也可以。本部落格使用的是在PyImageSearch上找到來自imutils的 VideoStream 類的示例。

下面的程式碼與處理圖形時候相同：

# load the COCO class labels our YOLO model was trained on
labelsPath = os.path.sep.join([args["yolo"], "coco.names"])
LABELS = open(labelsPath).read().strip().split("\n")
 
# initialize a list of colors to represent each possible class label
np.random.seed(42)
COLORS = np.random.randint(0, 255, size=(len(LABELS), 3),
dtype="uint8")
 
# derive the paths to the YOLO weights and model configuration
weightsPath = os.path.sep.join([args["yolo"], "yolov3.weights"])
configPath = os.path.sep.join([args["yolo"], "yolov3.cfg"])
 
# load our YOLO object detector trained on COCO dataset (80 classes)
# and determine only the *output* layer names that we need from YOLO
print("[INFO] loading YOLO from disk...")
net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)
ln = net.getLayerNames()
ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]

在這裡，載入標籤並生成相應的顏色，然後載入YOLO模型並確定輸出層名稱。

接下來，將處理一些特定於視訊的任務：

# initialize the video stream, pointer to output video file, and
# frame dimensions
vs = cv2.VideoCapture(args["input"])
writer = None
(W, H) = (None, None)
 
# try to determine the total number of frames in the video file
try:
prop = cv2.cv.CV_CAP_PROP_FRAME_COUNT if imutils.is_cv2() \
else cv2.CAP_PROP_FRAME_COUNT
total = int(vs.get(prop))
print("[INFO] {} total frames in video".format(total))
 
# an error occurred while trying to determine the total
# number of frames in the video file
except:
print("[INFO] could not determine # of frames in video")
print("[INFO] no approx. completion time can be provided")
total = -1

在上述程式碼塊中：

writer
total

之後逐個處理幀：

# loop over frames from the video file stream
while True:
# read the next frame from the file
(grabbed, frame) = vs.read()
 
# if the frame was not grabbed, then we have reached the end
# of the stream
if not grabbed:
break
 
# if the frame dimensions are empty, grab them
if W is None or H is None:
(H, W) = frame.shape[:2]

上述定義了一個 while 迴圈，然後從第一幀開始進行處理，並且會檢查它是否是視訊的最後一幀。接下來，如果尚未知道幀的尺寸，就會獲取一下對應的尺寸。

接下來，使用當前幀作為輸入執行YOLO的前向傳遞：

ect Detection with OpenCVPython

# construct a blob from the input frame and then perform a forward
# pass of the YOLO object detector, giving us our bounding boxes
# and associated probabilities
blob = cv2.dnn.blobFromImage(frame, 1 / 255.0, (416, 416),
swapRB=True, crop=False)
net.setInput(blob)
start = time.time()
layerOutputs = net.forward(ln)
end = time.time()

# initialize our lists of detected bounding boxes, confidences,
# and class IDs, respectively
boxes = []
confidences = []
classIDs = []

在這裡，構建一個 blob 並將其傳遞通過網路，從而獲得預測。然後繼續初始化之前在影象目標檢測中使用過的三個列表： boxes 、 confidences 、 classIDs ：

# loop over each of the layer outputs
for output in layerOutputs:
# loop over each of the detections
for detection in output:
# extract the class ID and confidence (i.e., probability)
# of the current object detection
scores = detection[5:]
classID = np.argmax(scores)
confidence = scores[classID]
 
# filter out weak predictions by ensuring the detected
# probability is greater than the minimum probability
if confidence > args["confidence"]:
# scale the bounding box coordinates back relative to
# the size of the image, keeping in mind that YOLO
# actually returns the center (x, y)-coordinates of
# the bounding box followed by the boxes' width and
# height
box = detection[0:4] * np.array([W, H, W, H])
(centerX, centerY, width, height) = box.astype("int")
 
# use the center (x, y)-coordinates to derive the top
# and and left corner of the bounding box
x = int(centerX - (width / 2))
y = int(centerY - (height / 2))
 
# update our list of bounding box coordinates,
# confidences, and class IDs
boxes.append([x, y, int(width), int(height)])
confidences.append(float(confidence))
classIDs.append(classID)

在上述程式碼中，與影象目標檢測相同的有：

 classID

接下來，將應用非最大值抑制：

# 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)

同樣的，在上述程式碼中與影象目標檢測相同的有：

使用 cv2.dnn.NMSBoxes 函式用於抑制弱的重疊邊界框，可以 ofollow,noindex" target="_blank">在此處閱讀有關非最大值抑制的更多資訊；
迴圈遍歷由NMS計算的 idx ，並繪製相應的邊界框+標籤；

最終的部分程式碼如下：

# 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()

總結一下：

writer
frame

現在，開啟一個終端並執行以下命令：

$ 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...

圖6：YOLO應用於車禍視訊物件檢測

在視訊/ GIF中，你不僅可以看到被檢測到的車輛，還可以檢測到人員以及交通訊號燈！

YOLO目標檢測器在該視訊中表現相當不錯。讓現在嘗試同一車追逐視訊中的不同視訊：

$ 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...

圖7：在該視訊中，使用OpenCV和YOLO物件檢測來找到該嫌疑人，嫌疑人現在已經逃離汽車並正位於停車場

YOLO再一次能夠檢測到行人！或者嫌疑人回到他們的車中並繼續追逐：

$ 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...

圖8： YOLO是一種快速深度學習物件檢測器，能夠在使用GPU的情況下用於實時視訊

最後一個例子，讓我們看看如何使用YOLO作為構建流量計數器：

$ 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...

圖9：立交橋交通視訊表明，YOLO和OpenCV可準確、快速地檢測汽車

下面彙總YOLO視訊物件檢測完整視訊：

YOLO目標檢測器的侷限和缺點

YOLO目標檢測器的最大限制和缺點是：

它並不總能很好地處理小物體；
它尤其不適合處理密集的物件；

限制的原因是由於YOLO演算法其本身：

SxS

因此，如果你的資料集是由許多靠近在一起的小物件組成時，那麼就不應該使用YOLO演算法。就小物體而言，更快的R-CNN往往效果最好，但是其速度也最慢。在這裡也可以使用SSD演算法， SSD通常在速度和準確性方面也有很好的權衡。

值得注意的是，在本教程中，YOLO比SSD執行速度慢，大約慢一個數量級。因此，如果你正在使用預先訓練的深度學習物件檢測器供OpenCV使用，可能需要考慮使用SSD演算法而不是YOLO演算法。

因此，在針對給定問題選擇物件檢測器時，我傾向於使用以下準則：

如果知道需要檢測的是小物體並且速度方面不作求，我傾向於使用faster R-CNN演算法；
如果速度是最重要的，我傾向於使用YOLO演算法；
如果需要一個平衡的表現，我傾向於使用SSD演算法；

想要訓練自己的深度學習目標檢測器？

圖10：在我的書“使用Python進行計算機視覺的深度學習”中，我介紹了多種物件檢測演算法，包括faster R-CNN、SSD、RetinaNet。書中講述瞭如何建立物件檢測影象資料集、訓練物件檢測器並進行預測。

在本教程中，使用的YOLO模型是在COCO資料集上預先訓練的.。但是，如果想在自己的資料集上訓練深度學習物件檢測器，該如何操作呢？

大體思路是自己標註資料集，按照darknet網站上的指示及網上部落格自己更改相應的引數訓練即可。或者在我的書“ 深度學習計算機視覺與Python

”中，詳細講述瞭如何將faster R-CNN、SSD和RetinaNet應用於：

檢測影象中的徽標；
檢測交通標誌；
檢測車輛的前檢視和後檢視（用於構建自動駕駛汽車應用）；
檢測影象和視訊流中武器；

書中的所有目標檢測章節都包含對演算法和程式碼的詳細說明，確保你能夠成功訓練自己的物件檢測器。在這裡可以瞭解有關我的書的更多資訊（並獲取免費的示例章節和目錄）。

總結

在本教程中，我們學習瞭如何使用Deep Learning、OpenCV和Python完成YOLO物件檢測。然後，我們簡要討論了YOLO架構，並用Python實現：

將YOLO物件檢測應用於單個影象；
將YOLO物件檢測應用於視訊流；

在配備的3GHz Intel Xeon W處理器的機器上，YOLO的單次前向傳輸耗時約0.3秒；但是，使用單次檢測器（SSD），檢測耗時只需0.03秒，速度提升了一個數量級。對於使用OpenCV和Python在CPU上進行基於實時深度學習的物件檢測，你可能需要考慮使用SSD演算法。

如果你有興趣在自己的自定義資料集上訓練深度學習物件檢測器，請務必參閱寫的“使用Python進行計算機視覺深度學習”，其中提供了有關如何成功訓練自己的檢測器的詳細指南。或者參看本人之前的部落格。

作者資訊

Adrian Rosebrock ，機器學習，人工智慧，影象處理

本文由阿里云云棲社群組織翻譯。

文章原標題《YOLO object detection with OpenCV》，譯者：海棠，審校：Uncle_LLD。

文章為簡譯，更為詳細的內容，請檢視原文。

一文帶你學會使用YOLO及Opencv完成影象及視訊流目標檢測（下）|附原始碼

將YOLO應用於視訊流物件檢測

YOLO目標檢測器的侷限和缺點

想要訓練自己的深度學習目標檢測器？

總結

作者資訊

您可能也會喜歡…