python猫咪藏在哪个房间_Python 一键吸猫！找出磁盘里所有猫照

最近在整理我磁盘上的照片，发现不少猫照，突然觉得若能把这些猫照都挑出来，观察它们的成长轨迹也是一件不错的事情。一张一张的找实在是太费劲了，能不能自动化地找出来呢？

目标检测，是许多计算机视觉应用的重中之重，比如说我们上次的实例分割：Python 20行代码批量自动抠图，人体关键点提取、人脸识别等。而我们这一次，是要识别猫照。由于时间不多，我们没有时间收集训练集，那么有没有已经训练好的目标检测模型呢？

这时候就要搬出paddlehub了，puddlehub有一个模型叫做YOLOv3，基于 Joseph Redmon和Ali Farhadi提出的单阶段检测器。该检测器与达到同样精度的传统目标检测方法相比，推断速度能达到接近两倍。

YOLOv3将输入图像分成S*S个格子，每个格子预测B个bounding box，每个bounding box预测内容包括: Location(x, y, w, h)、Confidence Score和C个类别的概率，因此我们不仅能够找出猫的照片，还能定位它的位置！甚至能自动数出一张照片里有多少只猫！

1.准备

为了实现这个实验，Python是必不可少的，如果你还没有安装Python，建议阅读我们的这篇文章哦：超详细Python安装指南。

根据你自己的情况选择这些选项，最后一个CUDA版本，由于本实验不需要训练数据，也不需要太大的计算量，所以直接选择CPU版本即可。选择完毕，下方会出现安装指引，不得不说，Paddlepaddle这些方面做的还是比较贴心的（就是名字起的不好）。

不过虽然它里面写了这么多，大部分人用一句话安装，打开CMD(Win+R)或者Terminal(Command+空格搜索)输入以下命令即可安装：

pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

还需要安装paddlehub，这点别忘了：

pip install -i https://mirror.baidu.com/pypi/simple paddlehub

2.编写代码

我们先试试单图片识别，找到猫猫：

新建predict.py文件，存放猫照在当前文件夹的imgs文件夹下，命名为c1.jpg. 输入以下代码：

import paddlehub as hub

# 加载模型

yolov3 = hub.Module(name="yolov3_darknet53_coco2017")

# 图片位置

test_img_path = "imgs/c1.jpg"

# 输入图片

input_dict = {"image": [test_img_path]}

# 输出结果

results = yolov3.object_detection(data=input_dict)

for result in results:

print(result['path'])

print(result['data'])

在终端/CMD输入以下命令运行文件:

>> python predict.py

[{'left': 684.79376, 'right': 2024.4724, 'top': 961.53644, 'bottom': 2299.855, 'label': 'cat', 'confidence': 0.94765514}, {'left': 1461.0829, 'right': 3853.3633, 'top': 621.53064, 'bottom': 2769.5376, 'label': 'cat', 'confidence': 0.8093604}]

可以看到，识别到了两只猫，其中第一只猫顶部位置为961，右部位置为2024，左部位置为684，底部位置为2299。根据这个位置，可以用框框标记出两只猫：

编写代码，用于框出相应位置的猫：

def paint_rect(input_img: str, output_path: str,

labels: list, position: list):

"""画出矩形:param input_img: 输入图片:param output_path: 输出图片:param labels: 标签:param positions: 坐标"""

img = cv2.imread(input_img)

for position in positions:

print(position)

# 画矩形框, 输入参数分别为图像、左上角坐标、右下角坐标、颜色数组、粗细

cv2.rectangle(

img, (position['left'], position['top']),

(position['right'], position['bottom']),

(0, 255, 0), thickness=10

)

if 'cat' in labels:

# 若是猫，则存到另一个地方

shutil.move(input_img, output_path + os.sep + input_img.split('/')[-1])

cv2.imwrite(output_path + os.sep + 'rect_%s' % input_img.split('/')[-1], img)

3.批量自动识别

这样，我们就有思路进行自动识别了，首先获得该文件夹下所有的图片，其次，将这些图片都放入分类器中进行分类，最后，再根据分类的标签将其提取出来移动到其他地方。

获得该文件夹下所有图片：

def get_all_path(dirpath, *suffix):

"""

获得所有路径

@param dirpath: 目录

@param *suffix: 后缀

"""

path_array = []

for r, ds, fs in os.walk(dirpath):

for fn in fs:

if os.path.splitext(fn)[1] in suffix:

fname = os.path.join(r, fn)

path_array.append(fname)

return path_array

# 获得所有jpg和png图片

image_paths = get_all_path(source_path, '.jpg', '.JPG', 'png', 'PNG')

放入分类器中分类：

# 加载模型

yolov3 = hub.Module(name="yolov3_darknet53_coco2017")

# 输入图片

input_dict = {"image": image_paths}

# 输出结果

results = yolov3.object_detection(data=input_dict, labels=['cat'])

根据标签画框并移动：

def paint_rect(input_img: str, output_path: str,

labels: list, position: list):

"""画出矩形:param input_img: 输入图片:param output_path: 输出图片:param labels: 标签:param positions: 坐标"""

img = cv2.imread(input_img)

for position in positions:

# 画矩形框, 输入参数分别为图像、左上角坐标、右下角坐标、颜色数组、粗细

cv2.rectangle(

img, (position['left'], position['top']),

(position['right'], position['bottom']),

(0, 255, 0), thickness=10

)

if 'cat' in labels:

# 若是猫，则存到另一个地方

shutil.move(input_img, output_path + os.sep + input_img.split('/')[-1])

cv2.imwrite(output_path + os.sep + 'rect_%s' % input_img.split('/')[-1], img)

results = yolov3.object_detection(data=input_dict, labels=['cat'])

for result in results:

path = result['path']

labels = []

positions = []

for target in result['data']:

labels.append(target.get('label', ''))

positions.append({

'left': target.get('left', -1),

'top': target.get('top', -1),

'right': target.get('right', -1),

'bottom': target.get('bottom', -1)

})

paint_rect(path, target_path, labels, positions)

完整代码如下，希望大家都能成功提取出自己的“猫片”：

import paddlehub as hub

import cv2

import os

import shutil

def get_all_path(dirpath, *suffix):

"""获得所有路径@param dirpath: 目录@param *suffix: 后缀"""

path_array = []

for r, ds, fs in os.walk(dirpath):

for fn in fs:

if os.path.splitext(fn)[1] in suffix:

fname = os.path.join(r, fn)

path_array.append(fname)

return path_array

def paint_rect(input_img: str, output_path: str,

labels: list, position: list):

"""画出矩形:param input_img: 输入图片:param output_path: 输出图片:param labels: 标签:param positions: 坐标"""

img = cv2.imread(input_img)

for position in positions:

# 画矩形框, 输入参数分别为图像、左上角坐标、右下角坐标、颜色数组、粗细

cv2.rectangle(

img, (position['left'], position['top']),

(position['right'], position['bottom']),

(0, 255, 0), thickness=10

)

if 'cat' in labels:

# 若是猫，则存到另一个地方

shutil.move(input_img, output_path + os.sep + input_img.split('/')[-1])

cv2.imwrite(output_path + os.sep + 'rect_%s' % input_img.split('/')[-1], img)

if __name__ == '__main__':

source_path = './imgs/'

target_path = './target/'

# 获得所有jpg和png图片

image_paths = get_all_path(source_path, '.jpg', '.JPG', 'png', 'PNG')

# 加载模型

yolov3 = hub.Module(name="yolov3_darknet53_coco2017")

# 输入图片

input_dict = {"image": image_paths}

# 输出结果

results = yolov3.object_detection(data=input_dict, labels=['cat'])

for result in results:

path = result['path']

labels = []

positions = []

for target in result['data']:

labels.append(target.get('label', ''))

positions.append({

'left': target.get('left', -1),

'top': target.get('top', -1),

'right': target.get('right', -1),

'bottom': target.get('bottom', -1)

})

paint_rect(path, target_path, labels, positions)

我们的文章到此就结束啦，如果你希望我们今天的Python 教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦

有任何问题都可以在下方留言区留言，我们都会耐心解答的！

​Python实用宝典 (pythondict.com)

不只是一个宝典

欢迎关注公众号：Python实用宝典