人物检测在现在有多难？量子位将文章重点内容翻译

原文：Supervise.ly

铜陵编译自 Hackernoon

量子生产 | 公众号QbitAI

行人检测确实是一个很常见的话题opencv中识别行人的脚，比如自动驾驶中的行人检测、无人零售中的行为检测、时尚行业的虚拟服装、安防行业的人员监控、移动应用中的人脸检测……不容易检测人们。感知，却已经渗透到生活的方方面面。

作为计算机视觉领域的一项基础研究，很多初学者都说这既费时又费力。在这篇文章中，机器学习平台 supervise.ly 提供了一种方法，说十分钟内完成它不是梦想。

量子比特将文章重点内容翻译如下，分享给大家：

今天的人员检测有多难？

五年前，大家普遍使用OpenCV来解决基于Haar-like特征的级联分类器的问题。这通常需要花费大量时间和精力来构建模型，而且按照今天的标准，检测质量并不是很好。

要知道，深度学习的时代已经到来，小人物检测任务也有了突破。特征工程和简单分类器的结合已经过时，神经网络开始主导该领域。

在本文中，我们将使用 Supervise.ly 平台处理人员检测任务，并带您在 5 分钟内做出初步解决方案。这个平台号称不用写代码，提供了众多的训练模型，不需要在各种开发工具中乱跳，对新手绝对友好。

基本方法

处理这个任务有两种方法：一种是直接使用预训练好的模型，另一种是训练自己的人物检测模型。这两种方法在 Supervise.ly 中都很好，但我们将专注于预训练模型版本。

我们将使用基于 Faster R-CNN 的 NASNet 模型，该模型已经使用 COCO 数据集进行了预训练。

TensorFlow检测模型动物园地址：

得到main方法后，打开Supervise.ly，我们开始进入正式的构建步骤。

第 1 步：设置人员检测模型

设置检测模型很容易，只需将您的 GPU 连接到 Supervise.ly 并选择一个预训练模型。

转到集群页面并单击“连接您的第一个节点”。

您将看到下面的窗口，将说明复制到您的计算机上，Python Agent 软件将自动在您的计算机上完成安装。

点击“神经网络”进入“模型动物园”页面后，可以看到为语义分割和物体检测创建的​​一系列预训练模型。将鼠标移动到“FasterRCNN NasNet”，选择Add a new model，你会看到这个预训练模型出现在“My Models”列表中。

第2步：检测人员并判断质量

在将模型部署为 API 之前opencv中识别行人的脚，要确定它是否符合条件，您可以可视化神经网络预测：将图像拖放到相关区域，然后运行推理过程。

在这种情况下，我们将项目命名为“text_images”并单击“开始导入”以检查项目与创建的图像。

然后，我们使用这张图片来测试人员检测模型的工作情况。在我的模型页面点击“测试”按钮，选择上面命名的“testimages”项目，将存储检测结果的项目命名为“inf_test_images”。

现在，在“inference_full_image”列表中选择推理模式，并将“save_classes”：“__all”替换为“save_classes”：[“person”]。

然后进入推理过程，模型似乎符合要求，我们进行下一步。

第 3 步：将模型部署到应用程序

部署主要遵循通过调用API在自定义环境中使用模型的基本原则。在部署之前，您需要进入 My Models 页面创建一个新任务并将 API 请求发送到人员检测模型。

然后，我们需要混合令牌和 URL 信息。在“Cluster->Tasks”页面点击Deploy API info，即可调用API满足检测模型所需的信息。

运行以下命令：

经过可视化，我们发现输入图像已经得到了一个人检测结果：

该模型不仅识别出“深度学习三巨头”和吴恩达先生，还检测到了不仔细看就永远找不到的肖像。