初中信息技术：目标检测模型的使用.docx

-1目标枪测模型的使用目标检测是一种计算机视觉任务,其目标是在图像或视频中枪测并定位物体的位置.并为每个物体分配类别标签:实现目标检测通常包括特征提取、物体位置定位、物体类别分类等步骤.这一技术广泛应用于自动驾驳、安全监控、医学影像分析、图像搜索等各种领域.为实现自动化和智能化应用提供了关铤支持，XEduHub中目标检测的模型有deibodyJdejcocbJdeUacedet_han*以及加强版det_body_r,'det_coco_1.I代表了1.arge.表示规模较大的.性能较强的模型.但是缺点在于推理速度较慢.在计算机视觉和机器学习的上下文中，def通常指的是“检测(DeteCtion)。检测任务旨在识别图像中的物体并提出其位置，通常以边界框的形式表示。这不同于分类任务,后者只涉及将整个图像分类为预先定义的标尊之一，而不提供物体的具体位置信息.fromXEdu.hubimportWorkf1.Owaswf#导入库body_det=wf(task=det-body')#实例化模型Img_Path=demobody.jpg'#指定进行推理的图片路径boxes.img_wrth_box=body_detinference(data=ifng_path,img_type="cv2')#进行推理format,resu1.t=bodydet.format.output(1.ang="zh')U结果格式化输出body_det.show(img_with_box)#可视化结柒body_detsave(img_with_box-demo/img_with_boxjpg')#保存可视化结果D模型声明在第一次声明模型时代码运行用时段长，是因为要将预训练模型从云端下载到本地中.从而便于用户进行使用；当代码在本地运行时,会先在本地的同级目录checkpoints的文件夹中寻找是否有已下载的预训练模型,如果没有.到本地缓存中寻找.如果本地缓存没有.查看是不是指定了模型的路径，如果都没有,到网络下载,fromXEduhubimportWorkfkw/aswf#导入库body_det=wf(task="det_body)#实例化模型2)指定一张待目标检测的图片图片中应当包含目标检测的主体.当任务选择为人体检测”时,意味者图片中将会检测出图片中所有的人体.img_pah=demobody.jpg'#指定进行推理的图片路径3)模型推理由于巳经从云端下载好了训练好的任务模型，因此只需要传入相应图片即可进行模型推理任务.识别相应的目标.以人体目标枪测为例.模型推理代码如下：boxes=body_det.nferencedata=img_path)#进行推理pnnt(boxes)#打印检测框坐标Tips：在机器学习和深度学习中.推理(inference)是模型在训练之后的一个阶段.其目的是利用训练好的模型对新数据进行预测或决策.推理过程涉及将给人数据通过模型以生成输出结果.这些结果可以是分类标签、回归值、目标枪;则旗等.具体取决于模型处理的任务类型.推理过程的一般步骤包括：预处理：在将数据箱入模型之前.通常需要对其进行预处理.以琢保数描格式与模型训练时使用的格式一致，这可能包括缩放、裁剪、标准化等操作：前向传播将预处理后的输入数据通过模型的各层传递，直到获得最终的输出结果.这个过程通常涉及大量的矩阵运算和非线性变换。后处理在某些情况下,模型的原始检出可能需要进一步处理才能使用；例如在目标检测任翁中，可能需要对检测到的边界框进行解码；在文本生成任务中.可能需要对生成的概率分布进行采样以产生单词,结果解释将模型的输出转换为对人类可读或可理解的格式。这可能涉及将概率分布转换为标签、将边界框绘制在图像上等。函数inference。可传入参数 data(strignumpy.ndarfay):指定待目标枪测的图片。 ShowJfIag)可取值(TrUe.Fa1.se)如果取值为Trg在推理完成后会直接输出目标检测完成后的图片.跃认为Fa1.se。 img_type(string):目标检测完成后会返回含有目标检测柢的图片.该参数指定了返回图片的格式.可选有:cv27pF.默认值为NOne.即如果不传入值.则不会返回图。 thr(f1.oat):设置检测框阅值取值范围为01超过该阈值的检测框被视为有效桧测框，进行显示.变量boxes以二维数组的形式保存了检测板左上角顶点的坐标(X1.y1.)和右下角顶点的坐标(x2.y2)(之所以是二维数组.是因为该模型能够检测多个人体,因此当枪测到多个人体时.就会有多个卜1.y1.X2,y2的一嵬数组，所以需要以二组数组形式保存)，我们可以利用这四个数据计算出其他两个顶点的坐标,以及松侧框的宽度和高度.我们可以通过变量boxes.来实现很多的功能例如判断图像中有多少个我们要枪测的目标.即通过函数IenO实现.代码如下：num=1.en(boes)Prirrt(1图像中有,+str(num)+“人")4)结果输出XEduHub提供了一种便捷的方式，能够以标准美观的格式查看检测框坐标以及置信度，代码如下：format_resu1.t=body_detformat_output(1.ang='zh')#结果格式化输出'检测整:0232777170453753.72.95395088195801,9175945354189192.1130.7357228142876.'分数0.8851305D变量formaUeSU1.t以字典形式存储了推理结果.共有三个键：桧测框、分数和类别。检测框以二维数组形式保存了每个检测框的坐标信息x1.y1.x2.y2J,而分数则是对应下标的检测框的It信度,以一维数蛆形式保存.类别则是检测框中对象所属的类别,以一维数组形式保存。分数，也称为置信度.是机器学习中常用的概念.描述的是模型对于单个预测的确定程度.反映了模型对该预测的信心强度。函数formatjput()中的参数Iang设置了输出结果的语言，可选项为zh1.en.NIT代表中文.en代表英文,，5)可视化结果如果觉得坐标信息太隼调我们还可以将结案可视化 可视化结果呈现ShOWo参考下面的代码,我们只需在推理函数变中加入imgtype='cv2这时候会有两个返回值，除了第一个是检测框之外，还返回了每个像素点的颜色信息Img_vnth_keypoints»再通过Sh6V函数就可以看到像素点组成图片可以看到.此时的图片带有目标枪测框。boxes,img_with_box=body_detnference(data=img-path,imgjype=cv2')#进行推理body_det.show(img_vith_box)#可视化结果 可视化结果的保存save()可以通过函数SaVe()来保存可视化结果.函数的第一个参数为像素点颜色信息,第二个参数为保存路径，运行代码后刷新左例列表在保存的路径下可看到该图片；body_det.save(img_with_box.,demo/img_with_box.jpg,)#保存可视化结果尝试不同的任务，人脸检测模型dejfacefromXEduhubimportWorkf1.oWaswfdet_face=v4(task='det_face)Img_Path=demoface.jpg,#指定进行推理的图片路径resu1.t.img_v/ith_box=detjace.nference<data=mg-path,img-type="cv2)#进行模型推理format_resu1.t=dejface.forma1.。UtPUt(Iang='zh.)#将推理结果进行格式化输出detjace.sow(img.withbox)#可视化结果det-face5ave<img-with.box.'mg-wth-bo-jpg,)#保存可视化结果模型推理inference。可传入参数 data(stringnumpy.ndarray):指定待目标枪测的图片。 ShOMf1.ag)：可取值True.Fa如果取值为Trg在推理完成后会直接输出目标检测完成后的图片,默认为Fa1.se。 .mg_type(string):关键点识别完成后会返回含有目标枪测柢的图片,该参数指定了返回图片的格式,可选有：cv2：pi口.默认值为None,即如果不传入值.则不会返回图。 thr(f1.oat):设置检测框阅值取值范圉为OJ超过该阈值的检测框被视为有效桧测框，进行显示. miSize(tp1.e(int.it)检测框的最小尺寸,小于该尺寸的目标会被过滤掉.默认为(50.50)o maSze<tup1.e<imjnt):检测框的最大尺寸,大于该尺寸的目标会被近注掉，默认为输入图像的大小. SCaIeFactoRf1.oat):该参数用于缩放图像,以便在检测过程中使用不同大小的窗口来识别人脸。较小的值会导致检测速度加快.但可能会错过一些小的人脸；较大的值可以提高检测的准确性,但会戒慢检测速度。通常这个值会在1到1.5之间进行调整，默认为13miNeighbors(int)该参数定义了构成检测目标的最小邻城矩形个数,如果这个值设置得太高,可能会导致检测器过于严格.错过一些实际的人脸；如果设置得太低.检测器可能会变得过于宽松.错误地检测到非人脸区域，通常,这个他会在2到10之间进行调整，跃认为5。可以看到很多不该识别为人脸的地方出现了枪测根.这显然不是我们想要的,所以我们可以调参minSize来设詈险测框的最小尺寸.将小于该尺寸的目标过谑掉.默认为(50.50).调参max&ze来设置检测柩的最大尺寸,大于该尺寸的目标会被过送掉，默认为掠入图像的大小。通过观察图片,我们可以看到正确人脸的检测框长和高在300-600之间。于是我们可以设置参数minSize=(300.300).maxSize=(600.600),新的检测如下图所示，效果有明显提升我们再来玩一下coco80分类的目标检测模型。COCO(CommonObjectsinContext)是一个用于目标检测和图像分割任务的广泛使用的数据集和评估基准,它是计算机视觉领域中最重要的数据集之一,在XEdUHUb中的该模型能够检测出80类coco数据集中的物体.具体类别可上网查阅，针对det_coco,推理时可增设target_c1.ass参数(Smng)该参数在使用det_coco的时候可以指定要检测的对象,如：PerSon,Cake等等；