YOLO！如果你对机器学习感兴趣，这个术语一定不陌生。确实，You Only Look Once已经成为过去几年中目标检测的默认方法之一。受到卷积神经网络取得的进展推动，许多版本的目标检测方法已经被创建。然而，近年来，一个竞争对手出现在了视野中——那就是在计算机视觉中使用基于Transformer的模型。更具体地说，是使用Transformer进行目标检测。
在今天的教程中，你将了解到这种类型的Transformer模型。你还将学会使用Python、一个默认的Transformer模型和HuggingFace Transformers库创建自己的目标检测流程。本文将按照下列步骤讲解：
环顾四周，很可能你会看到很多东西——可能是一台电脑显示器、一个键盘和鼠标，或者当你在移动浏览器中浏览时，是一部智能手机。这些都是物体，是特定类别的实例。例如，在下面的图像中，我们看到一个人类类别的实例。我们还看到了许多瓶子类别的实例。虽然类别是蓝图，但物体是真实存在的，具有许多独特的特征，同时因为共享的特征而属于类别的成员。
在图片和视频中，我们看到了许多这样的物体。例如，当你拍摄交通视频时，很可能会看到许多行人、汽车、自行车等实例。知道它们在图像中存在是非常有益的。为什么呢？因为你可以计数它们，举一个例子。这可以让你对社区的拥挤程度有所了解。另一个例子是在繁忙地区检测到一个停车位，让你可以停车。
然后，我们将数据分配给一些变量，并遍历每个结果，绘制边界框。
# Open the imagewith Image.open("street.jpg") as im: # Perform object detection bounding_boxes = object_detector(im) # Iteration elements num_boxes = len(bounding_boxes) index = 0 # Draw bounding box for each result for bounding_box in bounding_boxes: # Get actual box box = bounding_box["box"] # Draw the bounding box im = draw_bounding_box(im, bounding_box["score"], bounding_box["label"],/ box["xmin"], box["ymin"], box["xmax"], box["ymax"], index, num_boxes) # Increase index by one index += 1 # Save image im.save("street_bboxes.jpg") # Done print("Done!")如果你创建了自己的模型，或者想要使用不同的模型，那么很容易使用它来代替基于ResNet-50的DeTr Transformer。这将需要你添加以下导入：
from transformers import DetrFeatureExtractor, DetrForObjectDetection然后，你可以初始化特征提取器和模型，并使用它们初始化object_detector，而不是默认的一个。例如，如果你想将ResNet-101用作你的骨干，那么你可以这样做：
# Initialize another model and feature extractorfeature_extractor = DetrFeatureExtractor.from_pretrained('facebook/detr-resnet-101')model = DetrForObjectDetection.from_pretrained('facebook/detr-resnet-101')# Initialize the object detection pipelineobject_detector = pipeline("object-detection", model = model, feature_extractor = feature_extractor)以下是我们在输入图像上运行目标检测流程后得到的结果：
当放大时：
本文链接：http://www.28at.com/showinfo-26-98871-0.html基于 Python 和 HuggingFace Transformers 的目标检测
声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com
上一篇： 你应该知道的主要软件设计原则
Copyright © 2016-2023 天津谷骐科技有限公司 版权所有 sitemap.xml
违法及侵权请联系：2376512515@qq.com 津ICP备18001702号
津公网安备 12010102000574号
