imageai库里面提供了目标识别,其实也可以说是目标检测,和现在很多的收集一样就是物体识别。他可以帮你识别出各种各样生活中遇见的事物。比如猫、狗、车、马、人、电脑、收集等等。
感觉imageai有点差就是没有返回检测目标的坐标出来,所以感觉很low,而且和计算消耗很大,耗时很大,与opencv做实时检测效果很差。不推荐使用。
安装imageai方法见:https://github.com/OlafenwaMoses/ImageAI
resnet50_coco_best_v2.1.0.h5 模型下载地址:https://github.com/fizyr/keras-retinanet/releases/
下面提供两种调用方式。
第一文件流调用:
# coding:utf-8 # imageai下载地址:https://github.com/OlafenwaMoses/ImageAI # resnet50_coco_best_v2.1.0.h5 模型下载地址:https://github.com/fizyr/keras-retinanet/releases/ from imageai.Detection import ObjectDetection # 导入了 ImageAI 目标检测类 import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' execution_path = os.path.join(os.getcwd(),'imgData/') # 定义了一个变量用来保存我们的 python 文件 print(execution_path) detector = ObjectDetection() # 定义了目标检测类 detector.setModelTypeAsRetinaNet() # 模型的类型设置为 RetinaNet detector.setModelPath(os.path.join(execution_path, "resnet50_coco_best_v2.1.0.h5")) # 将模型路径设置为 RetinaNet 模型的路径 detector.loadModel() # 模型加载到的目标检测类 # 调用目标检测函数,解析输入的和输出的图像路径。 detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path, "ji.jpg"), output_image_path=os.path.join(execution_path, "imagenew1.jpg"),input_type='file') for eachObject in detections: print(eachObject["name"] + " : " + eachObject["percentage_probability"]) # 打印出所检测到的每个目标的名称及其概率值。 print(detections)
第二种numpy数据类型调用:
# coding:utf-8 # imageai下载地址:https://github.com/OlafenwaMoses/ImageAI # resnet50_coco_best_v2.1.0.h5 模型下载地址:https://github.com/fizyr/keras-retinanet/releases/ from imageai.Detection import ObjectDetection # 导入了 ImageAI 目标检测类 import cv2 import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import matplotlib.pyplot as plt def targetDetection(imgArray,model_path): """ :param imgArray: 图片数据,类型为ndarray :param model_path: retinanet模型路径 :return: """ path = os.path.abspath(model_path) detector = ObjectDetection() # 定义了目标检测类 detector.setModelTypeAsRetinaNet() # 模型的类型设置为 RetinaNet detector.setModelPath(path) # 将模型路径设置为 RetinaNet 模型的路径 detector.loadModel() # 模型加载到的目标检测类 # 调用目标检测函数,解析输入的和输出的图像路径。 detections = detector.detectObjectsFromImage(input_image=imgArray, input_type='array',output_type='array') return detections data = plt.imread('./imgData/avenue.jpg') model_path = ('./imgData/resnet50_coco_best_v2.0.1.h5') imgInfo = targetDetection(data,model_path) plt.imshow(imgInfo[0]) plt.show()
下面内容作为扩展,有兴趣的朋友可以试试,但是很不理想。
# coding:utf-8 # imageai下载地址:https://github.com/OlafenwaMoses/ImageAI # resnet50_coco_best_v2.1.0.h5 模型下载地址:https://github.com/fizyr/keras-retinanet/releases/ from imageai.Detection import ObjectDetection # 导入了 ImageAI 目标检测类 import cv2 import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import matplotlib.pyplot as plt def targetDetection(imgArray,model_path): """ :param imgArray: 图片数据,类型为ndarray :param model_path: retinanet模型路径 :return: """ path = os.path.abspath(model_path) detector = ObjectDetection() # 定义了目标检测类 detector.setModelTypeAsRetinaNet() # 模型的类型设置为 RetinaNet detector.setModelPath(path) # 将模型路径设置为 RetinaNet 模型的路径 detector.loadModel() # 模型加载到的目标检测类 # 调用目标检测函数,解析输入的和输出的图像路径。 detections = detector.detectObjectsFromImage(input_image=imgArray, input_type='array',output_type='array') return detections # data = plt.imread('./imgData/avenue.jpg') # model_path = ('./imgData/resnet50_coco_best_v2.0.1.h5') # imgInfo = targetDetection(data,model_path) # plt.imshow(imgInfo[0]) # plt.show() if __name__=='__main__': # 获取摄像头0表示第一个摄像头 model_path = ('./imgData/resnet50_coco_best_v2.0.1.h5') cap = cv2.VideoCapture(0) while (True): # 逐帧显示 ret, img = cap.read() # 强调img是ndarray类型的。 imgData=targetDetection(img,model_path) cv2.imshow('image',imgData[0]) if cv2.waitKey(1) & 0xFF == ord(' '): break cap.release() # 释放摄像头 cv2.destroyAllWindows() # 释放窗口资源 打开本地摄像头进行实时检测