目標檢測是指計算機和軟件系統(tǒng)對圖像或場景中的目標進行定位和識別的任務。目標檢測已廣泛應用于人臉檢測、車輛檢測、人流量統(tǒng)計、網(wǎng)絡圖像、安防系統(tǒng)和無人駕駛等多個領(lǐng)域。

早期目標檢測的實現(xiàn)基于經(jīng)典算法，比如流行的計算機視覺庫OpenCV中支持的算法。然而，這些經(jīng)典算法在不同的條件下無法獲得穩(wěn)定的性能。

2012年深度學習的突破性進展和迅速普及，使得R-CNN、Fast-RCNN、Faster-RCNN、RetinaNet以及快速、高度準確的SSD、YOLO等目標檢測算法應運而生。這些基于深度學習、機器學習的算法，需要一定的數(shù)學以及深度學習框架基礎(chǔ)。有數(shù)百萬的專業(yè)計算機程序員和軟件開發(fā)人員想要集成和創(chuàng)建基于目標檢測算法的新產(chǎn)品。同時由于理解和實際使用較為復雜，一直無法實現(xiàn)。如何開發(fā)出高效的目標檢測代碼呢？

ImageAI就應運而生了。

01 ImageAI讓代碼變得簡潔 ImageAI是一個python庫，只需要幾行代碼，就可以讓程序員和軟件開發(fā)人員輕松地將最先進的計算機視覺技術(shù)集成到他們現(xiàn)有的或新的應用中，ImageAI已經(jīng)在Github上開源。 Github地址：

https://github.com/OlafenwaMoses/ImageAI

ImageAI目前支持使用在ImageNet-1000數(shù)據(jù)集上訓練的4種不同機器學習算法進行圖像預測和訓練。 ImageAI還支持使用在COCO數(shù)據(jù)集上訓練的RetinaNet，YOLOv3和TinyYOLOv3進行對象檢測，視頻檢測和對象跟蹤。最后，ImageAI允許訓練自定義模型，以執(zhí)行新目標的檢測和識別。 ImageAI庫有依賴其他Python庫，所以在使用ImageAI開發(fā)之前還需要導入其他的包。

02 準備工作 使用ImageAI實現(xiàn)目標檢測，只需進行以下4步：

在你的電腦上安裝Python

安裝ImageAI，配置依賴環(huán)境

下載目標檢測模塊文件

運行樣例代碼（只需10行）

下面一步步詳細展開：

（1）從Python官網(wǎng)下載并安裝Python3 鏈接地址： https://python.org

（2）用pip命令安裝以下依賴包:

pipinstalltensorflowpipinstallnumpypipinstallscipypipinstallopencv-pythonpipinstallpillowpipinstallmatplotlibpipinstallh5pypipinstallkeraspip3 install imageai --upgrade 注意：第一次安裝ImageAI庫，需要下載對應版本的.whl文件，Python3的環(huán)境需要下載imageai-2.0.2-py3-none-any.whl 文件，然后轉(zhuǎn)移到相應的文件夾下，執(zhí)行如下命令即可安裝：

pip install imageai-2.0.2-py3-none-any.whl .whl文件鏈接地址：https://github.com/OlafenwaMoses/ImageAI/releases/download/2.0.2/imageai-2.0.2-py3-none-any.whl

（3）下載用于目標檢測的RetinaNet模型文件 鏈接地址：https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5

03 開啟10行代碼的目標檢測 到這里你已經(jīng)安裝好了所有的依賴項，可以開始編寫你的第一個目標檢測的代碼了。 創(chuàng)建一個Python文件并命名（如FirstDetection.py），然后將下面的代碼寫入該文件。將RetinaNet模型文件和要檢測的圖像復制到包含Python文件的文件夾中。 FirstDetection.py：

from imageai.Detection import ObjectDetection import os execution_path = os.getcwd() detector=ObjectDetection() detector.setModelTypeAsRetinaNet() detector.setModelPath( os.path.join(execution_path ,"resnet50_coco_best_v2.0.1.h5")) detector.loadModel() detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path ,"image.jpg"), output_image_path=os.path.join(execution_path ,"imagenew.jpg")) foreachObject in detections: print(eachObject["name"] ," : ", eachObject["percentage_probability"] )

然后運行代碼，等待結(jié)果輸出。結(jié)果顯示后，就可以在FirstDetection.py所在的文件夾下找到保存下來的新圖像。

在Spyder編譯器中運行結(jié)果如下所示：

輸出的目標檢測精度結(jié)果： person : 57.20391869544983 person : 52.57977843284607 person : 70.81094980239868 person : 76.99859142303467 person : 79.40077781677246 bicycle : 81.0384213924408 person : 83.66722464561462 person : 89.41188454627991 truck : 60.61040759086609 person : 69.65749859809875 bus : 97.92424440383911 truck : 83.94358158111572 car : 72.50492572784424 在Spyder編譯器中運行結(jié)果如下所示：

輸出的目標檢測精度結(jié)果： person : 62.45866417884827 person : 58.67737531661987 person : 69.44932341575623 person : 71.84218168258667 person : 59.53381657600403 person : 54.65759038925171 motorcycle : 65.84504842758179 bus : 99.40318465232849 car : 72.41445779800415 person : 58.32530856132507 person : 54.449981451034546 person : 80.11815547943115 person : 74.30745959281921 person : 77.78302431106567 person : 71.15439772605896 bicycle : 69.92427110671997 person : 66.17957353591919 bicycle : 90.50283432006836 motorcycle : 94.09030675888062

04 代碼解讀

下面來解釋一下這10行代碼的工作原理：

fromimageai.Detection importObjectDetectionimport osexecution_path = os.getcwd() 在以上3行代碼中，在第一行導入了ImageAI的目標檢測類；在第二行導入了Python的os類；在第三行中定義了一個變量，保存Python文件、RetinaNet模型文件以及圖像所在文件夾的路徑。 detector=ObjectDetection() detector.setModelTypeAsRetinaNet() detector.setModelPath( os.path.join(execution_path ,"resnet50_coco_best_v2.0.1.h5")) detector.loadModel() detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path ,"image.jpg"), output_image_path=os.path.join(execution_path ,"imagenew.jpg")) 在以上5行代碼中，我們在第一行中定義了一個目標檢測類的實例；在第二行中將實例的模型類型設(shè)定為RetinaNet；在第三行中將模型路徑設(shè)置為RetinaNet模型的路徑；在第四行中將模型加載到目標檢測類的實例中；在第五行中調(diào)用檢測函數(shù)，并將文件輸入輸出路徑作為參數(shù)傳入。 foreachObject in detections: print(eachObject["name"] ," : ", eachObject["percentage_probability"] )

在以上兩行代碼中，第一行用來對detector.detectObjectsFromImage函數(shù)返回的所有結(jié)果進行迭代，第二行用來輸出圖片中檢測到的每個目標的名字及其概率。 05 自定義目標檢測

除此外，ImageAI也支持強大的自定義目標檢測。其中之一是能夠提取圖像中檢測到的每個物體。只需要將參數(shù)

extract_detected_objects=True 傳入 detectObjectsFromImage 函數(shù)中，如下所示，目標檢測類將為圖像對象創(chuàng)建一個文件夾，提取每個圖像，將每個子圖像保存到創(chuàng)建的新文件夾中，并返回一個包含每個圖像路徑的數(shù)組。 detections, extracted_images = detector.detectObjectsFromImage(input_image=os.path.join(execution_path ,"image.jpg"), output_image_path=os.path.join(execution_path ,"imagenew.jpg"), extract_detected_objects=True) 將其應用到第一張圖片上，得到如下結(jié)果： 所有行人都被很好地提取了出來，為了節(jié)約空間這里只顯示了一部分。 06 ImageAI的其他功能

ImageAI提供了許多功能，可用于目標檢測任務的自定義和部署。其支持的功能包括：

調(diào)整最小概率：默認情況下，概率小于50%的物體不會顯示。對于需要高精度的情況，可以增加此值；對于需要檢測所有可能對象的情況，可以減少此值。

自定義目標檢測：通過提供的CustomObject類，可以使檢測類檢測一個或幾個特定目標。

檢測速度：通過將檢測速度設(shè)置為“fast”、“faster”或“fastest”，可以減少檢測圖像所需的時間。

輸入類型：可指定并解析圖像的文件路徑，以Numpy數(shù)組或圖像文件流作為輸入

輸出類型：可指定detectObjectsFromImage函數(shù)以文件或Numpy數(shù)組的形式返回圖像

編輯：jq