前言

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

开始之前，你要确保Python和pip已经成功安装在电脑上,如果没有，可以访问这篇文章：超详细Python安装指南 进行安装。

(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda，它内置了Python和pip.

(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点

为了实现识别猫的功能，我们需要安装 paddlepaddle, 进入他们的官方网站就有详细的指引

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。

要注意，如果你的Python3环境变量里的程序名称是Python，记得将python3 xxx 语句改为Python xxx 如下进行安装：

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

你还需要安装paddlehub：

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，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
    公众号：Python实用宝典
    """
    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)

效果如下：

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
    公众号：Python实用宝典
    """

    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
    公众号：Python实用宝典
    """
    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)

4.完整代码

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 = []
        print(path)
        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)

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• python中plot函数用法是什么？要注意哪些？

  今天给大家分享的是关于plot函数怎样使用的内容，在python环境中，若要绘制图形，那么就一定离不开plot函数，因此小编分享给大家做个参考，下文实例对大家学习plot函数有一定帮助，接下来跟随小编一起看看吧。

• 新手入门有哪些Python3基础语法要了解？

  本章节将一些Python3基础语法整理成手册，方便各位在日常使用和学习是查阅，包含了编码、标识符、保留字、注释、缩进、字符串等常用内容。

• 用pandas读xlsx文件的实现和代码是什么

  这篇文章主要介绍了python使用pandas读xlsx文件的实现方式，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教

• Python处理异常的操作有哪些，有什么使用技巧

  开发程序其实就像预测天气一样,即使是代码的异常错误,也应该能预测且被控制,下面这篇文章主要给大家介绍了关于Python如何处理异常报错方法的相关资料,需要的朋友可以参考下

• 新手学习如何理解Python进程，哪些知识点要掌握

  进程，一个新鲜的字眼，可能有些人并不了解，它是系统某个运行程序的载体，这个程序可以有单个或者多个进程，一般来说，进程是通过系统CPU 内核数来分配并设置的，我们可以来看下系统中的进程