目标检测必须要OpenCV？10行Python代码也能实现亲测好用！

　　本文作者和他的团队构建了一个名为ImageAI 的Python库，集成了现今流行的深度学习框架和计算机视觉库。本文将手把手教你构建自己的第一个目标检测应用，而且文摘菌已经帮你踩过坑了，亲测有效！

　　无人超市、人脸识别、无人驾驶，众多的使用场景及案例，使得【目标检测】正成为计算机视觉最有前景的方向。

　　听起来似乎是个很难实现的技术，需要大量训练数据和算法才能完成。事实上，本文作者开发了一个基于Python的函数库，可以用十行代码高效实现目标检测。

　　目标检测是借助于计算机和软件系统在图像/场景中，定位目标并识别出每个目标的类别的技术。目前已广泛用于人脸检测、车辆检测、行人计数、网络图像、安全系统和无人驾驶汽车等领域。随着计算机技术不断发展和软件开发人员的不懈努力，未来目标检测技术将更广泛的普及开来。

　　在应用程序和系统中使用先进的目标检测方法，以及基于这些方法构建新的应用程序并不容易。早期目标检测是基于经典算法而实现的，如 OpenCV（广受欢迎的计算机视觉库）所支持的一些算法。然而，这些经典算法的性能会因条件而受到。

　　2012年，深度学习领域取得众多突破，学者们提出了一系列全新、高精度的目标检测算法和方法，比如R-CNN, Fast-RCNN, Faster-RCNN, RetinaNet，以及既快又准的SSD和YOLO等。要使用这些基于深度学习的方法和算法（当然深度学习也是基于机器学习），需要对数学和深度学习框架有很深的理解。数百万的软件开发人员致力于整合目标检测技术进行新产品的开发。但是想要理解这项技术并加以使用，对非深度学习领域的程序员来说并不容易。

　　一位自学了计算机的开发者Moses Olafenwa在几个月前意识到了这个问题，并与同伴一起开发了一个名叫ImageAI的Python函数库。

　　ImageAI可以让程序员和软件开发者只用几行代码，就能轻易地把最先进的计算机视觉技术整合到他们现有的以及新的应用程序里面。

　　文摘菌测试为Windows 64位系统，Python版本为3.6。在大数据文摘后台回复“检测”可获取代码和模型文件~

　　注：在安装ImageAI时如果出现异常，可先下载.whl文件，并放在s文件夹下，用下列命令进行安装：

　　准备工作到此结束，你可以写自己的第一个目标检测代码了。新建一个Python文件并命名（如FirstDetection.py），然后将下述代码写入此文件。接着将RetinaNet模型文件、FirstDetection.py和你想检测的图片放在同一径下，并将图片命名为“image.jpg”。

　　然后，双击FirstDetection.py运行代码，并稍等片刻，识别结果就会在控制台打印出来。一旦结果在控制台输出，在包含FirstDetection.py的文件夹里，你会发现一张新保存的图片，文件名为“imagenew.jpg”。

　　则需要安装Numpy+MKL依赖，下载对应的.whl文件并放在s文件夹下，用pip安装.whl文件即可。

　　3行代码中，第一行导入ImageAI的目标检测类，第二行导入Python的os类，第三行定义一个变量，用来保存Python文件、RetianNet模型文件和图片所在文件夹的径。

　　5行代码中，第一行定义目标检测类，第二行将模型类型设置为RetinaNet，第三行将模型的径设为RetinaNet模型文件所在径，第四行将模型载入目标检测类，然后第调用检测函数，并解析输入图片和输出图片的径。

　　2行代码中，第一行迭代所有detector.detectObjectsFromImage函数返回的结果，然后，第二行打印出模型检测出的图片中每个目标的类型和概率。

　　ImageAI还支持配置目标检测过程中的其他功能。例如，将检测到的每个目标的图片单独提取出来。通过简单地把extract_detected_objects=True写入detectObjectsFromImage函数，目标检测类就会为图片对象集新建一个文件夹，然后提取出每个图片，将它们存入这个文件夹，并返回一个数组用来保存每个图片的径，如下所示：

　　默认阈值为50%，如果检测结果的概率值低于50%，则不显示检测结果。你可以根据具体需求对该阈值进行修改。

　　可以将检测速度设置为“st”、“ ster”和“stest”，以减少检测图片所需的时间。陈翔刘美含

　　本文由 325游戏（m.325games.com）整理发布