使用球员图像姿势的板球击球分类

介绍

姿势检测是计算机视觉 (CV) 技术的子集，可预测人或物体的轨迹和位置。这是通过查看给定人或物体的姿势和方向的组合来完成的。

目标

本文的目的是建立一个模型，该模型可以使用球员的姿势对板球击球进行分类。为此，将图像输入到模型中。它将检测图像中人的姿势，然后使用检测到的姿势，我们将分类它属于什么类型。

目录

1. 安装依赖项

2. 加载和预处理数据

3. 数据增强

4. 使用detectron2检测姿势

5. 使用球员的姿势对板球击球进行分类

6. 评估模型性能

安装 Cricket Shot 分类的依赖项

!pip install pyyaml==5.1

# install detectron2:
!pip install detectron2==0.1.3 -f 
     https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.5/index.html

加载和预处理板球击球分类的数据

我们将加载保存在驱动器上的数据集。因此，为此，我们将首先安装驱动器，然后提取简短的 zip 文件。

数据集链接：https://courses.analyticsvidhya.com/courses/take/Applied-Computer-Vision-using-Deep-Learning/downloads/14568149-dataset-cricket-shot-classification

# mount drive
from google.colab import drive
drive.mount('drive/')

zip 文件包含不同类型镜头的图像。接下来，我们获取文件夹的名称，它们是类别或不同类型的镜头。

# extract files
!unzip 'drive/My Drive/shot.zip'

接下来，我们使用 OS 库的 list ERR 函数来执行此操作。在这里，我们正在打印我们拥有的文件夹名称，我们有四个文件夹，即 pull, cut, drive and sweep.

import os
# specify path
path='shot/'
# list down the folders 
folders = os.listdir(path)
print(folders)

输出：['pull', 'cut', 'drive', 'sweep']

接下来，我们正在读取所有图像并将它们存储在一个名为 images 的列表中。我们还将标签存储在一个列表中，该列表是每个图像的类。这个类存储图像的文件夹的名称。我们将遍历每个文件夹并逐个读取图像，并将它们附加到创建的列表中。

# for dealing with images
import cv2
# create lists
images  = []
labels  = []
# for each folder
for folder in folders:
    # list down image names
    names=os.listdir(path+folder)
    # for each image
    for name in names:
        # read an image
        img=cv2.imread(path+folder+'/'+name)
        # append image to list
        images.append(img)       
        # append folder name (type of shot) to list
        labels.append(folder)

让我们使用 len 函数快速检查图像的数量。我们可以观察到有 290 张图像。

# number of images
len(images)

输出：290

现在，我们正在可视化数据集中的一些图像。所以对于每种类型的镜头。我们随机绘制五张图像。我们将使用matplotlib来可视化图像。random 函数将用于随机选择图像。

我们将创建一个子图，其中四行代表四个不同的类，五列代表五个示例。接下来对于每个类，我们将随机挑选五张图像并使用 cv2.imread 函数读取图像。读取图像后，你可以将这些图像转换为 RGB 格式并可视化这些图像。

# visualization library
import matplotlib.pyplot as plt
# for randomness
import random
# create subplots with 4 rows and 5 columns
fig, ax = plt.subplots(nrows=4, ncols=5, figsize=(15,15))

# randomly display 5 images for each shot for each folder
for i in range(len(folders)):
    # read image name