原作:Supervise.ly
銅靈 編譯自 Hackernoon
人物檢測確實是個老生常談的話題了,自動駕駛中的道路行人檢測、無人零售中的行為檢測、時尚界的虛擬穿搭、安防界的人員監控、手機應用中的人臉檢測……人物檢測不易察覺,但已經滲透到生活中的方方面面。
作為計算機視覺領域的基礎研究,很多初學者表示這件事耗時耗力很難搞定。在這篇文章中,機器學習平臺supervise.ly提供了一種方法,據說十分鐘搞定不是夢。
量子位將文章重點內容翻譯整理如下,與大家分享:
人物檢測在現在有多難?
五年之前,大家普遍在哈爾特徵(Haar-like features)的基礎上,基於級聯分類器用OpenCV解決問題。這往往需要用大量的時間和精力構建模型,依照如今的標準來看,檢測質量也不是很好。
要知道,深度學習時代來了,小小的人物檢測任務也有了突破,將特徵工程和簡單的分類器結合已經過時,神經網絡開始主導這個領域。
在這篇文章中,我們將用Supervise.ly平臺處理人物檢測任務,帶你用5分鐘做出初始方案。這個自稱不用寫代碼、提供眾多與訓練模型、也無需在各種開發工具中跳來跳去的平臺,對新手絕對友好。
基本方法
想要處理這個任務有兩種方法:一是直接使用預訓練模型,二是訓練自己的人物檢測模型。在Supervise.ly裡這兩種方法都可以,但我們重點來看預訓練模型版。
我們將用基於Faster R-CNN的NASNet模型處理,此模型已經用COCO數據集預訓練過了。
TensorFlow detection model zoo地址:
https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md
Get主要方法後,打開Supervise.ly,我們開始進入正式構建步驟了。
Step 1:設置人物檢測模型
設置檢測模型很簡單,只需將你的GPU連接到Supervise.ly,然後選擇其中一個預訓練模型即可。
進入Cluster頁面,點擊“Connect your first node”。
你將能看到下面這個窗口,將指令複製到你的電腦裡,Python Agent軟件將自動在你的電腦裡完成安裝。
點擊“Neural networks”進入“Model Zoo”頁面後,你能看到一系列為語義分割和物體檢測創建的預訓練模型。將鼠標放到“FasterRCNN NasNet”那裡,選擇增加一個新模型,你將看到這個預訓練模型出現在了“我的模型”列表中。
Step 2:檢測人物,判斷質量
在你將模型部署為API之前,想弄清楚它是否符合要求可以先將神經網絡預測可視化:將圖片拖拽到的相關區域,運行推理過程。
在這個案例中,我們將項目命名為“text_images”,隨後點擊開始“start import”,用創建的圖片檢查項目。
隨後,我們用這張圖片測試人物檢測模型的效果如何。在我的模型頁面點擊“Test”按鈕,選擇上面已經命名的“testimages”項目,將要存儲檢測結果的項目命名為“inf_test_images”。
現在,在“inference_full_image”列表中選擇推理模式,將“save_classes”: “__all”替換成“save_classes”: [“person”]。
然後進入推理過程,模型看起來還算符合要求,我們進入下一步。
Step 3:將模型部署到應用
部署主要遵循通過調用API在自定義環境中使用模型的基本準則,部署前,需要先前往我的模型頁面中創建新任務,將API請求發送到人物檢測模型中。
隨後,我們需要混獲取token和URL信息。在“Cluster->Tasks”頁面點擊Deploy API info,就可以通過調用API滿足檢測模型所需的信息了。
運行以下命令:
可視化之後,我們發現輸入的圖片,已經得到了一張人物檢測結果:
模型不僅識別出“深度學習三巨頭”和吳恩達老師,連遠處不仔細看絕對發現不了的人像也被檢測到了。
最後,附原文鏈接,想要了解更多的同學可自取:
https://hackernoon.com/can-you-solve-a-person-detection-task-in-10-minutes-74fba061194c?source=rss——3a8144eabfe3—-4
閱讀更多 四維科技教育 的文章