5个步骤实现目标检测

重磅干货，第一时间送达

本文转自：磐创AI

【导读】目标检测技术是当今计算机视觉领域的发展趋势。在场景图像和视频中，有许多方法被用来检测物体。在资源和执行时间方面，每种技术都有自己的优势和局限性。检测视频中的物体也需要大量的技术知识和资源。

因此，人们一直在寻找一种简单、快速的目标检测方法。在本文中，我们将演示如何检测视频中看到的对象，只需5个步骤。

我们将在本任务中使用pixellib库，该库使用实例分割检测对象。我们还将使用预训练Mask R-CNN模型来识别视频中看到的物体。

在这个实现中，我们将检测交通视频中的车辆对象。

实例分割是计算机视觉中的一种技术，它利用图像分割的方法进行目标检测。它在像素级识别图像或视频中存在的每个对象实例。

在图像分割中，视觉输入被分割成若干段，通过形成像素集合来表示对象或对象的一部分。实例分割识别图像中每个对象的每个实例，而不是像语义分割那样对每个像素进行分类。

Mask R-CNN是由Kaiming He等人在Facebook人工智能研究所提出的深层神经网络的变体。该模型用于解决计算机视觉中的对象实例分割问题。

它检测图像中的对象，同时为每个实例生成一个高质量的分割掩码。它是Faster R-CNN的一个扩展，它增加了一个预测目标掩码的分支，与现有的边界盒识别分支并行。

下面给出了用于实例分割的Mask R-CNN框架。

现在，我们将讨论在视频中检测物体的步骤。

1.安装库和依赖项

在第一步中，我们需要安装pixellib库及其依赖项。

!pip install pixellib

2.加载预先训练的Mask RCNN权重

由于我们将使用Mask R-CNN模型来检测目标，我们将下载其预训练的权重。

!wget --quiet https://github.com/matterport/Mask_RCNN/releases/download/v2.0/mask_rcnn_coco.h5

3.导入库

现在，我们将导入已安装的pixellib库。我们还将导入instance_segmentation 类，因为我们将使用实例分割方法检测对象。

import pixellib
from pixellib.instance import instance_segmentation

4.实例化实例分割模型并加载MASK R-CNN权重

在这一步中，我们将实例化pixellib提供的instance_segmentation类，并使用其预训练的权重加载Mask R-CNN模型。

segment_video = instance_segmentation()
segment_video.load_model("mask_rcnn_coco.h5")

5.检测物体

在这一步中，我们将通过在视频中MASK R-CNN来处理目标检测任务。我们会用随机使用一段交通视频

视频：https://analyticsindiamag.com/wp-content/uploads/2020/07/traffic_vid2.mp4?_=1

在这种方法中，我们设置每秒帧数，即视频输出每秒的帧数。

segment_video.process_video("traffic_vid2.mp4", show_bboxes = True, frames_per_second= 15, output_video_name="object_detect.mp4")

最后，我们将在工作目录中获得输出视频。这个过程的时间取决于视频的长度和大小。你应该使用GPU来加快处理速度。对于上面的交通视频，结果为

视频：https://analyticsindiamag.com/wp-content/uploads/2020/07/Object_Detect.mp4?_=2

你可以定义一个函数来从YouTube获取视频并将其直接传递给上面的函数。

因此，利用以上步骤，我们可以讨论一种非常简单的方法来实现视频中的目标检测任务。刚入门计算机视觉的可以用这种方法检测物体。

原文链接：https://analyticsindiamag.com/hands-on-guide-to-detect-objects-in-video-in-5-steps/