将YOLO应用于视频流对象检测
首先打开 yolo_video.py文件并插入以下代码：
# import the necessary packages
import numpy as np
import argparse
import imutils
import time
import cv2
import os
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--input", required=True,
help="path to input video")
ap.add_argument("-o", "--output", required=True,
help="path to output video")
ap.add_argument("-y", "--yolo", required=True,
help="base path to YOLO directory")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
help="minimum probability to filter weak detections")
ap.add_argument("-t", "--threshold", type=float, default=0.3,
help="threshold when applyong non-maxima suppression")
args = vars(ap.parse_args())同样，首先从导入相关数据包和命令行参数开始。与之前不同的是，此脚本没有-- image参数，取而代之的是量个视频路径：
-- input：输入视频文件的路径；-- output：输出视频文件的路径；
视频的输入可以是手机拍摄的短视频或者是网上搜索到的视频。另外，也可以通过将多张照片合成为一个短视频也可以。本博客使用的是在PyImageSearch上找到来自imutils的VideoStream类的 示例。
下面的代码与处理图形时候相同：
# load the COCO class labels our YOLO model was trained on
labelsPath = os.path.sep.join([args["yolo"], "coco.names"])
LABELS = open(labelsPath).read().strip().split("
")
# initialize a list of colors to represent each possible class label
np.random.seed(42)
COLORS = np.random.randint(0, 255, size=(len(LABELS), 3),
dtype="uint8")
# derive the paths to the YOLO weights and model configuration
weightsPath = os.path.sep.join([args["yolo"], "yolov3.weights"])
configPath = os.path.sep.join([args["yolo"], "yolov3.cfg"])
# load our YOLO object detector trained on COCO dataset (80 classes)
# and determine only the *output* layer names that we need from YOLO
print("[INFO] loading YOLO from disk...")
net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)
ln = net.getLayerNames()
ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]在这里，加载标签并生成相应的颜色，然后加载YOLO模型并确定输出层名称。
接下来，将处理一些特定于视频的任务：
# initialize the video stream, pointer to output video file, and
# frame dimensions
vs = cv2.VideoCapture(args["input"])
writer = None
(W, H) = (None, None)
# try to determine the total number of frames in the video file
try:
prop = cv2.cv.CV_CAP_PROP_FRAME_COUNT if imutils.is_cv2()
else cv2.CAP_PROP_FRAME_COUNT
total = int(vs.get(prop))
print("[INFO] {} total frames in video".format(total))
# an error occurred while trying to determine the total
# number of frames in the video file
except:
print("[INFO] could not determine # of frames in video")
print("[INFO] no approx. completion time can be provided")
total = -1在上述代码块中：
- 打开一个指向视频文件的文件指针，循环读取帧；
- 初始化视频编写器 （
writer）和帧尺寸； - 尝试确定视频文件中的总帧数（
total），以便估计整个视频的处理时间；
之后逐个处理帧：
# loop over frames from the video file stream
while True:
# read the next frame from the file
(grabbed, frame) = vs.read()
# if the frame was not grabbed, then we have reached the end
# of the stream
if not grabbed:
break
# if the frame dimensions are empty, grab them
if W is None or H is None:
(H, W) = frame.shape[:2]上述定义了一个 while循环， 然后从第一帧开始进行处理，并且会检查它是否是视频的最后一帧。接下来，如果尚未知道帧的尺寸，就会获取一下对应的尺寸。
接下来，使用当前帧作为输入执行YOLO的前向传递 ：
ect Detection with OpenCVPython
# construct a blob from the input frame and then perform a forward
# pass of the YOLO object detector, giving us our bounding boxes
# and associated probabilities
blob = cv2.dnn.blobFromImage(frame, 1 / 255.0, (416, 416),
swapRB=True, crop=False)
net.setInput(blob)
start = time.time()
layerOutputs = net.forward(ln)
end = time.time()
# initialize our lists of detected bounding boxes, confidences,
# and class IDs, respectively
boxes = []
confidences = []
classIDs = []在这里，构建一个 blob 并将其传递通过网络，从而获得预测。然后继续初始化之前在图像目标检测中使用过的三个列表： boxes 、 confidences、classIDs ：
# loop over each of the layer outputs
for output in layerOutputs:
# loop over each of the detections
for detection in output:
# extract the class ID and confidence (i.e., probability)
# of the current object detection
scores = detection[5:]
classID = np.argmax(scores)
confidence = scores[classID]
# filter out weak predictions by ensuring the detected
# probability is greater than the minimum probability
if confidence > args["confidence"]:
# scale the bounding box coordinates back relative to
# the size of the image, keeping in mind that YOLO
# actually returns the center (x, y)-coordinates of
# the bounding box followed by the boxes' width and
# height
box = detection[0:4] * np.array([W, H, W, H])
(centerX, centerY, width, height) = box.astype("int")
# use the center (x, y)-coordinates to derive the top
# and and left corner of the bounding box
x = int(centerX - (width / 2))
y = int(centerY - (height / 2))
# update our list of bounding box coordinates,
# confidences, and class IDs
boxes.append([x, y, int(width), int(height)])
confidences.append(float(confidence))
classIDs.append(classID)在上述代码中，与图像目标检测相同的有：
- 循环输出层和检测；
- 提取
classID并过滤掉弱预测； - 计算边界框坐标；
- 更新各自的列表；
接下来，将应用非最大值抑制：
# apply non-maxima suppression to suppress weak, overlapping
# bounding boxes
idxs = cv2.dnn.NMSBoxes(boxes, confidences, args["confidence"],
args["threshold"])
# ensure at least one detection exists
if len(idxs) > 0:
# loop over the indexes we are keeping
for i in idxs.flatten():
# extract the bounding box coordinates
(x, y) = (boxes[i][0], boxes[i][1])
(w, h) = (boxes[i][2], boxes[i][3])
# draw a bounding box rectangle and label on the frame
color = [int(c) for c in COLORS[classIDs[i]]]
cv2.rectangle(frame, (x, y), (x + w, y + h), color, 2)
text = "{}: {:.4f}".format(LABELS[classIDs[i]],
confidences[i])
cv2.putText(frame, text, (x, y - 5),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 2)同样的，在上述代码中与图像目标检测相同的有：
- 使用
cv2.dnn.NMSBoxes函数用于抑制弱的重叠边界框，可以在此处阅读有关非最大值抑制的更多信息； - 循环遍历由NMS计算的
idx，并绘制相应的边界框+标签；
最终的部分代码如下：
# check if the video writer is None
if writer is None:
# initialize our video writer
fourcc = cv2.VideoWriter_fourcc(*"MJPG")
writer = cv2.VideoWriter(args["output"], fourcc, 30,
(frame.shape[1], frame.shape[0]), True)
# some information on processing single frame
if total > 0:
elap = (end - start)
print("[INFO] single frame took {:.4f} seconds".format(elap))
print("[INFO] estimated total time to finish: {:.4f}".format(
elap * total))
# write the output frame to disk
writer.write(frame)
# release the file pointers
print("[INFO] cleaning up...")
writer.release()
vs.release()总结一下：
- 初始化视频编写器（
writer），一般在循环的第一次迭代被初始化； - 打印出对处理视频所需时间的估计；
- 将帧（
frame）写入输出视频文件； - 清理和释放指针；
现在，打开一个终端并执行以下命令：
$ python yolo_video.py --input videos/car_chase_01.mp4
--output output/car_chase_01.avi --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] 583 total frames in video
[INFO] single frame took 0.3500 seconds
[INFO] estimated total time to finish: 204.0238
[INFO] cleaning up...
图6：YOLO应用于车祸视频对象检测
在视频/ GIF中，你不仅可以看到被检测到的车辆，还可以检测到人员以及交通信号灯！
YOLO目标检测器在该视频中表现相当不错。让现在尝试同一车追逐视频中的不同视频：
$ python yolo_video.py --input videos/car_chase_02.mp4
--output output/car_chase_02.avi --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] 3132 total frames in video
[INFO] single frame took 0.3455 seconds
[INFO] estimated total time to finish: 1082.0806
[INFO] cleaning up...
图7：在该视频中，使用OpenCV和YOLO对象检测来找到该嫌疑人，嫌疑人现在已经逃离汽车并正位于停车场
YOLO再一次能够检测到行人！或者嫌疑人回到他们的车中并继续追逐：
$ python yolo_video.py --input videos/car_chase_03.mp4
--output output/car_chase_03.avi --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] 749 total frames in video
[INFO] single frame took 0.3442 seconds
[INFO] estimated total time to finish: 257.8418
[INFO] cleaning up...
图8： YOLO是一种快速深度学习对象检测器，能够在使用GPU的情况下用于实时视频
最后一个例子，让我们看看如何使用YOLO作为构建流量计数器：
$ python yolo_video.py --input videos/overpass.mp4
--output output/overpass.avi --yolo yolo-coco
[INFO] loading YOLO from disk...
[INFO] 812 total frames in video
[INFO] single frame took 0.3534 seconds
[INFO] estimated total time to finish: 286.9583
[INFO] cleaning up...
图9：立交桥交通视频表明，YOLO和OpenCV可准确、快速地检测汽车
下面汇总YOLO视频对象检测完整视频：
YOLO目标检测器的局限和缺点
YOLO目标检测器的最大限制和缺点是：
- 它并不总能很好地处理小物体；
- 它尤其不适合处理密集的对象；
限制的原因是由于YOLO算法其本身：
- YOLO对象检测器将输入图像划分为
SxS网格，其中网格中的每个单元格仅预测单个对象； - 如果单个单元格中存在多个小对象，则YOLO将无法检测到它们，最终导致错过对象检测；
因此，如果你的数据集是由许多靠近在一起的小对象组成时，那么就不应该使用YOLO算法。就小物体而言，更快的R-CNN往往效果最好，但是其速度也最慢。在这里也可以使用SSD算法， SSD通常在速度和准确性方面也有很好的权衡。
值得注意的是，在本教程中，YOLO比SSD运行速度慢，大约慢一个数量级。因此，如果你正在使用预先训练的深度学习对象检测器供OpenCV使用，可能需要考虑使用SSD算法而不是YOLO算法。
因此，在针对给定问题选择对象检测器时，我倾向于使用以下准则：
- 如果知道需要检测的是小物体并且速度方面不作求，我倾向于使用faster R-CNN算法；
- 如果速度是最重要的，我倾向于使用YOLO算法；
- 如果需要一个平衡的表现，我倾向于使用SSD算法；
想要训练自己的深度学习目标检测器？
图10：在我的书“使用Python进行计算机视觉的深度学习”中，我介绍了多种对象检测算法，包括faster R-CNN、SSD、RetinaNet。书中讲述了如何创建对象检测图像数据集、训练对象检测器并进行预测。
在本教程中，使用的YOLO模型是在COCO数据集上预先训练的.。但是，如果想在自己的数据集上训练深度学习对象检测器，该如何操作呢？
大体思路是自己标注数据集，按照darknet网站上的指示及网上博客自己更改相应的参数训练即可。或者在我的书“ 深度学习计算机视觉与Python”中，详细讲述了如何将faster R-CNN、SSD和RetinaNet应用于：
- 检测图像中的徽标；
- 检测交通标志；
- 检测车辆的前视图和后视图（用于构建自动驾驶汽车应用）；
- 检测图像和视频流中武器；
书中的所有目标检测章节都包含对算法和代码的详细说明，确保你能够成功训练自己的对象检测器。
总结
在本教程中，我们学习了如何使用Deep Learning、OpenCV和Python完成YOLO对象检测。然后，我们简要讨论了YOLO架构，并用Python实现：
- 将YOLO对象检测应用于单个图像；
- 将YOLO对象检测应用于视频流；
在配备的3GHz Intel Xeon W处理器的机器上，YOLO的单次前向传输耗时约0.3秒； 但是，使用单次检测器（SSD），检测耗时只需0.03秒，速度提升了一个数量级。对于使用OpenCV和Python在CPU上进行基于实时深度学习的对象检测，你可能需要考虑使用SSD算法。
如果你有兴趣在自己的自定义数据集上训练深度学习对象检测器，请务必参阅写的“使用Python进行计算机视觉深度学习”，其中提供了有关如何成功训练自己的检测器的详细指南。
原文链接
本文为云栖社区原创内容，未经允许不得转载。