|
重磅干货，第一时间送达 01.准备工作 1. Python 3.xx（Python 3.7.4） 2. OpenCV（4.1.2版）  一个检测帧示例 要解决的第二个问题是找到一种方法来检测要删除的对象。OpenCV提供了一种简单的方法：基于支持向量机的“定向梯度直方图”检测器。它是必不可少的检测器，不是最快，不是最准确，不是最好的，但它可以正常工作。 1. 实例化 HOGDescriptor 2. 获取视频的第一帧用作遮罩 3. 遍历每一帧，对于每个检测到的人，从第一帧开始用相应的“空”替换该区域 4. 保存输出 按照前面描述的工作流程，代码保存在github中，见文末。 让我们测试一下！ 像一个老板一样。手放在口袋里消失了！ 但是，引用伊隆·马斯克（Elon Musk）的话：“仍有改善的空间”。实际上结果并不是那么精确，尤其是当离相机更近的时候。 在测试了这段代码之后，整个输出看起来有问题且不稳定。因此，需要找到一种方法来改进它：用第一帧替换每个检测到的人似乎是个好方法，因此我可能需要找到一种更好的方法来检测物体！ 改进之处： 在搜索COCO的模型ZOO时，我们发现了一个实例分割模型，每幅图像的推理时间为0.07秒，这是最快的实例之一（可能不是最准确的）。 我们自定义了模型，需要安装所有需要的依赖，例如pytorch，torchvision和detectron2： # install dependencies:!pip install -U torch==1.4+cu100 torchvision==0.5+cu100 -f https://download.pytorch.org/whl/torch_stable.html!pip install cython pyyaml==5.1!pip install -U ‘git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'import torch, torchvision以下代码和说明已在Google Colab实例上进行了测试，做出此选择是为了使此实验更易于复制，而不会因缺少依赖项，版本冲突和所有经常发生的无聊而苦恼。 然后我们需要安装Detectron2： # install detectron2:!git clone https://github.com/facebookresearch/detectron2 detectron2_repo!pip install -e detectron2_repo现在，我们可以继续导入所有需要的库并加载模型： cfg = get_cfg()cfg.merge_from_file(model_zoo.get_config_file(“COCO-InstanceSegmentation/mask_rcnn_R_50_DC5_1x.yaml”))cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.5 # set threshold for this modelcfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url(“COCO-InstanceSegmentation/mask_rcnn_R_50_DC5_1x.yaml”)predictor = DefaultPredictor(cfg)无法使用我们的predictor类进行推断，predictor需要在Tensors上返回一个需要转换为numpy数组的数组，然后可以像以前一样迭代该数组： outputs = predictor(frame)outputs = outputs[“instances”].pred_boxes.to(‘cpu’).tensor.numpy().astype(int)让我们检查一下最终结果。 Detectron2 VS HOGDetector 从gif可以观察到Detectron2如何更准确地检测到一个人，但是，需要说的是，当然，它需要更多的“深度”配置（依赖有时会很麻烦）。但是，最终结果不言而喻！ 代码链接：https://github.com/robertosannazzaro/person-removal-detectron2 交流群 |
|
|
