基于密集场景的下的目标检测与计数(实战+代码实现）

在很多的场景下，我们需要对较为密集的物体来进行计数从而得到他们的数量，有时候我们可以使用yolo模型，通过目标检测来框定每一个物体，再把他们分别加起来求出最后的和，但是对于密集场景下的目标检测和计数来说，yolo可能并不是一个很好的选择，于是在这里引入一种新的基于密集场景下的目标检测和技术方法，原文参考来自于：https://arxiv.org/abs/2104.08391

该项目的全部代码来自于：https://github.com/cvlab-stonybrook/LearningToCountEverything

出处：CVPR 2021
作者单位：石溪大学, VinAI研究院

该篇文章所提及的具体方法以及实现手段在这里就不过多阐述，大家有兴趣可以去看看原文以及相应的论文解读，但是值得一提的是，该种计数方法所需要的代码量异常小，而且是基于一种半监督的方法，在很多密集场景下的计数都有着不错的表现，下面我将开始告诉大家如何实现这种计数方法：

1.首先，我们打开上面的链接，下载关于该项目的全部源码，下载好解压后，我们可以将其导入到Pycharm中，如下图所示：（当然，别忘记了必要库的安装）

在开始我们的项目前，我们可以先实验一下它所提供的demo的样本，就是图中所打开的demo文件，注意，这时候我们直接运行是会报错的，报错如下图所示：

这个时候，我们需要单击右键，选择更多运行/调试，再选择修改运行配置，如下图所示：

我们在参数变量那一行加入下列参数：

具体内容为：--input-image orange.jpg --bbox-file orange_box_ex.txt

之后，我们再返回原界面，就可以正常运行了，运行结束后的效果如图所示：

我们也可以打开最后的结果图进行查看：

如果你想要训练和测试自己的数据集，记得在一个密集场景下标注3个框左右，然后在每个物体上的中心上标注一个点，紧接着就可以用它进行训练了！