来一个有深度的教程：教你用 Python 做一个物体检测系统_python 神经网络 物体检测

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

这是开始尝试的一个很好的方法，但我们在寻求更加精确和准确的系统。它需要识别整个物体（或者是在本例中的人），因为仅仅识别物体的某些部分可能会导致灾难性的后果。

方法2：增加分割数量

先前的系统效果不错，但是我们还能如何改进呢？我们可以通过指数地增加我们输入系统的选框的数量来提高精确度。输出结果应该是这样：

这个方法有利有弊。尽管我们的解决方案看起来比原始的方法好一点点，但是它粗筛出很多的选框，实际结果基本一样。这是一个问题，我们需要一个更有条理的方法来解决这个问题问题。

方法3：展示结构严密的分区

为了用一种更有条理的方法构建我们的物体检测系统，我们可以按以下步骤操作：

**步骤1：**把图像划分成10x10的格子，如图所示：

**步骤2：**定义每个区域的质心。

**步骤3：**对于每一个质心，选取3个高度和纵横比不同的区域如下：

**步骤4：**将所有这些创建的区域传入图像分类器来获得预测结果。

所以最终输出结果是什么样呢？一个更加确定且严密有序的结果——见下图：

但我们还可以进一步改进！继续阅读以了解另一种能产生更好结果的方法。

方法4：提高效率

先前我们看到的方法在很大程度上是可以接受的，但我们还可以构建一个比之前更加高效的系统。你能建议怎么做吗？在我脑海中，我能提出一个优化方案。如果我们思考一下方法3，可以做两件事来让模型更好：

• **增加网格的大小：**将网格大小增加到20，替代原有的10：

• **以多种高度和纵横比选取更多区域而不仅是3个区域：**在这里，我们可以围绕每一个锚定质心选取9种形状的区域，即3个不同高度的正方形区域和6个不同高度的垂直和水平的矩形区域，这会给我们提供不同纵横比的区域。

再次说明，这也是有利也有弊。尽管这些方法都能帮助我们达到一个更细致的水平，但是由于我们不得不把所有区域传入到图像分类模型中，这会再次造成计算爆炸。

我们能够做的是，有选择性地选取区域而不是全都选取。举个例子，我们能够构建一个中间分类模型，它尝试预测选区是否真的只有背景，还是潜在地包含一个物体，这会指数式地减少图像分类模型所需要判断的区域。

还有另一种优化方案，就是减少“同一物体”的预测。让我们再次回顾方法3：

就像你看到的一样，基本上所有的选框预测的都是同一个人，我们可以选择其中任意一个。因此，我们可以考虑从标记“同一物体”的所有选框中，任选一个最有可能检测出一个人的选框输入图像分类模型中，进行预测。

目前，所有这些优化方案都给了我们相当合适的预测结果。我们几乎稳操胜券，但你猜出缺了什么吗？深度学习！

方法5：使用深度学习进行特征选择以构建端到端方法

深度学习在物体检测领域有很大的潜力。你能否建议我们从哪里以及如何使用深度学习解决我们的问题吗？我已经列出一些方法，如下：

• 可以通过神经网络输入原始图像来减少维度，而不是输入原始图像的所有区域。
• 还可以使用神经网络来限定图像区域的选择。
• 可以强化深度学习算法，使预测尽可能地接近图像中物体的原始边界框，这将确保算法能够更严格地、更精细地预测边界框。

现在我们可以采用单个深度神经网络模型，来尝试独自解决所有问题，而不是训练不同的神经网络来解决每一个问题。这样做的好处是，神经网络中每个较小的组件都将有助于优化该神经网络的其他部分，从而便于我们合作，共同训练整个深层模型。

目前为止，在我们看过的所有方法中，我们的输出结果能够提供最佳性能，有点类似于下图。我们将在下一节中看到如何使用Python创建它。

获取技术：如何使用ImageAI库

构建物体检测模型

现在我们知道了什么是物体检测以及解决此问题的最佳方法，让我们构建自己的对象检测系统！我们即将使用的是ImageAI库，这是一个python库，支持计算机视觉任务中所有最先进的机器学习算法。

运行物体检测模型获得预测是非常简单的。我们不必从复杂的安装脚本来开始，甚至也不需要GPU来生成预测！我们将使用这个ImageAI库来获得在方法5中所看到的输出结果。强烈建议您在自己的机器上输入下面的代码，因为这可以帮助您能够从本节中获得最大的知识。

请注意，您需要在创建物体检测模型之前设置系统。在本地系统中安装Anaconda后，即可开始执行以下步骤。

**步骤1：**使用python 3.6版搭建Anaconda环境。

conda create -nretinanet python=3.6 anaconda

**步骤2：**激活环境并安装必要的软件包。

source activateretinanetconda installtensorflow numpy scipy opencv pillow matplotlib h5py keras

**步骤3：**安装ImageAI库

pip install https://github.com/OlafenwaMoses /ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl

**步骤4：**下载获得预测所需的预训练模型。该模型基于RetinaNet（未来文章的主题）。访问链接下载——RetinaNet预训练模型:

https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5

**步骤5：**将下载的文件复制到当前工作文件夹。

**步骤6：**从以下链接下载图像，将图像命名为image.png：

https://s3-ap-south-1.amazonaws.com/av-blog-media/wp-content/uploads/2018/06/I1_2009_09_08_drive_0012_001351-768x223.png

**步骤7：**打开jupyter笔记本（在终端中键入jupyter notebook）并运行以下代码：

这将创建一个名为image_new.png的修改后的图像文件，其中包含物体的边界框。

**步骤8：**如需要打印图像，请使用以下代码：

from IPython.display import ImageImage(“image_new.png”)

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！