作者：R语言和Python学堂

链接：https://www.jianshu.com/p/35cfc959b37c

1. 什么是目标检测？

YOLO目标检测的一个示例
Python实现YOLO目标检测

啥是目标检测？

拿上图 (用YOLOv3检测) 来说，目标检测 (Object Detection) 就是将图片中的物体用一个个矩形框框出来，并且识别出每个框中的物体是啥，而且最好的话是能够将图片的所有物体都框出来。

再来看下YOLOv3在视频上的效果：

Python实现YOLO目标检测

 

 Python实现YOLO目标检测

 

 Python实现YOLO目标检测

 

 Python实现YOLO目标检测

总之，目标检测本质上包含两个任务：物体识别和物体定位。

2. 目标检测技术的概述

目前，基于深度学习(deep learning)的目标检测技术效果是最好的，这些技术模型可以分成三类：

  1. R-CNN系列，包括R-CNN，Fast R-CNN，以及Faster R-CNN

  2. Single Shot Detector (SSD)

  3. You Only Look Once (YOLO)系列，其中YOLOv3是今天的主角

下面来简单说一下这些模型，SSD这里就不介绍了，感兴趣的话可自行去了解。

R-CNN系列
Faster R-CNN的基本原理

Python实现YOLO目标检测

 

 

上图是Faster R-CNN模型的原理简图，技术细节可参考下面所提及的相关文章。

R-CNN系列的演化路径为：R-CNN → Fast R-CNN → Faster R-CNN

R-CNN 是第一个基于深度学习的目标检测模型，它属于two-stage方法，即将物体识别和物体定位分为两个步骤，分别完成。 详情见Girshick等人的第一篇相关文章：https://arxiv.org/abs/1311.2524，其原理大概为：(1) 预先找出图中物体可能出现的位置，即候选区域 (Region Proposal) 。利用图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口 (几千甚至几百) 的情况下保持较高的召回率 (Recall) 。(2) 然后将这些候选框送入CNN网络中进行识别分类。

R-CNN 方法的缺点是它太慢了；由于它采用外部的候选框算法，它也不是一个完整的端到端 (end-to-end) 检测器。

Girshick等人于2015年发表了第二篇论文 Fast R-CNN，链接为：https://arxiv.org/abs/1504.08083。相对R-CNN，Fast R-CNN算法有了很大改进，即提高了精确度，并减少了执行前向网络计算所需的时间；然而，该模型仍然依赖于外部的候选框算法。

直到2015年的后续模型 Faster R-CNN 的出现，链接为：https://arxiv.org/abs/1506.01497。通过使用区域生成网络 (Region Proposal Network, RPN)来取代候选框算法，Faster R-CNN 最终成为真正的端到端目标检测器。

虽然R-CNN系列的精确度不断提高，但是R-CNN系列最大的问题是它的速度，即使使用GPU也只能达到5 FPS.

YOLO系列
YOLO的基本原理

Python实现YOLO目标检测

上图是YOLO模型的原理简图，技术细节可参考下面所提及的相关文章，YOLO官网为：https://pjreddie.com/darknet/yolo/。

为了提高基于深度学习的目标检测器的速度，SSD和YOLO都使用了one-stage策略。

这些算法将目标检测作为一个回归问题，对于给定的输入图像，同时给出边界框位置以及相应的类别。

一般来说，one-stage策略比two-stage策略的精度低，但速度快得多。

YOLO是one-stage检测器的一个很好的例子。

Redmon等人于2015年首次引入了YOLO，论文链接为：https://arxiv.org/abs/1506.02640，详细介绍了一个具有超实时目标检测能力的检测器，在GPU上获得了45 FPS。

YOLO已经经历了许多不同版本的迭代，包括YOLO9000模型，通过联合训练，它能够检测9000种不同类别的目标。虽然YOLO9000的表现有趣且新颖，但在COCO的156类数据集上，只达到了16%的平均精度(mAP)。虽然YOLO9000可以检测9000种类别，但是它的精度不是很理想。

最近，Redmon和Farhadi发表了一篇新的YOLO论文——YOLOv3: a Incremental Improvement(2018)，链接为：https://arxiv.org/abs/1804.02767。YOLOv3比之前的模型更大了，但在我看来，它是YOLO目标检测器系列中最好的一个。

相比之前的算法，尤其针对小目标情况，YOLOv3的精度有显著提升。

3. 基于OpenCV的快速实现

我们将在这篇博客使用在COCO数据集上预训练好的YOLOv3模型。

COCO 数据集包含80类，有people (人)，bicycle(自行车)，car(汽车)......，详细类别可查看链接：https://github.com/pjreddie/darknet/blob/master/data/coco.names。

测试程序中的文件：

百度云：https://pan.baidu.com/s/1MPG89T6CrabYKLCsv_g5ZA

官网下载：https://pjreddie.com/darknet/yolo/

下面利用OpenCV来快速实现YOLO目标检测，我将其封装成一个叫yolo_detect()的函数，其使用说明可参考函数内部的注释。网络的模型和权重都已上传至百度网盘。

# -*- coding: utf-8 -*-
# 载入所需库
import cv2
import numpy as np
import os
import time

def yolo_detect(pathIn='',
                pathOut=None,
                label_path='./cfg/coco.names',
                config_path='./cfg/yolov3_coco.cfg',
                weights_path='./cfg/yolov3_coco.weights',
                confidence_thre=0.5,
                nms_thre=0.3,
                jpg_quality=80):

    '''
    pathIn：原始图片的路径
    pathOut：结果图片的路径
    label_path：类别标签文件的路径
    config_path：模型配置文件的路径
    weights_path：模型权重文件的路径
    confidence_thre：0-1，置信度（概率/打分）阈值，即保留概率大于这个值的边界框，默认为0.5
    nms_thre：非极大值抑制的阈值，默认为0.3
    jpg_quality：设定输出图片的质量，范围为0到100，默认为80，越大质量越好
    '''

    # 加载类别标签文件
    LABELS = open(label_path).read().strip().split("n")
    nclass = len(LABELS)
    
    # 为每个类别的边界框随机匹配相应颜色
    np.random.seed(42)
    COLORS = np.random.randint(0, 255, size=(nclass, 3), dtype='uint8')
    
    # 载入图片并获取其维度
    base_path = os.path.basename(pathIn)
    img = cv2.imread(pathIn)
    (H, W) = img.shape[:2]
    
    # 加载模型配置和权重文件
    print('从硬盘加载YOLO......')
    net = cv2.dnn.readNetFromDarknet(config_path, weights_path)
    
    # 获取YOLO输出层的名字
    ln = net.getLayerNames()
    ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]
    
    # 将图片构建成一个blob，设置图片尺寸，然后执行一次
    # YOLO前馈网络计算，最终获取边界框和相应概率
    blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (416, 416), swapRB=True, crop=False)
    net.setInput(blob)
    start = time.time()
    layerOutputs = net.forward(ln)
    end = time.time()
    
    # 显示预测所花费时间
    print('YOLO模型花费 {:.2f} 秒来预测一张图片'.format(end - start))
    
    # 初始化边界框，置信度（概率）以及类别
    boxes = []
    confidences = []
    classIDs = []
    
    # 迭代每个输出层，总共三个
    for output in layerOutputs:
        # 迭代每个检测
        for detection in output:
            # 提取类别ID和置信度
            scores = detection[5:]
            classID = np.argmax(scores)
            confidence = scores[classID]
    
            # 只保留置信度大于某值的边界框
            if confidence > confidence_thre:
                # 将边界框的坐标还原至与原图片相匹配，记住YOLO返回的是
                # 边界框的中心坐标以及边界框的宽度和高度
                box = detection[0:4] * np.array([W, H, W, H])
                (centerX, centerY, width, height) = box.astype("int")
    
                
                # 计算边界框的左上角位置
                x = int(centerX - (width / 2))
                y = int(centerY - (height / 2))
    
                # 更新边界框，置信度（概率）以及类别
                boxes.append([x, y, int(width), int(height)])
                confidences.append(float(confidence))
                classIDs.append(classID)
    
    # 使用非极大值抑制方法抑制弱、重叠边界框
    idxs = cv2.dnn.NMSBoxes(boxes, confidences, confidence_thre, nms_thre)
    
    # 确保至少一个边界框
    if len(idxs) > 0:
        # 迭代每个边界框
        for i in idxs.flatten():
            # 提取边界框的坐标
            (x, y) = (boxes[i][0], boxes[i][1])
            (w, h) = (boxes[i][2], boxes[i][3])
            
            # 绘制边界框以及在左上角添加类别标签和置信度
            color = [int(c) for c in COLORS[classIDs[i]]]
            cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
            text = '{}: {:.3f}'.format(LABELS[classIDs[i]], confidences[i])
            (text_w, text_h), baseline = cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 2)
            cv2.rectangle(img, (x, y-text_h-baseline), (x + text_w, y), color, -1)
            cv2.putText(img, text, (x, y-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 2)
    
    # 输出结果图片
    if pathOut is None:
        cv2.imwrite('with_box_'+base_path, img, [int(cv2.IMWRITE_JPEG_QUALITY), jpg_quality])
    else:
        cv2.imwrite(pathOut, img, [int(cv2.IMWRITE_JPEG_QUALITY), jpg_quality])

来测试一下：

pathIn = './test_imgs/test1.jpg'
pathOut = './result_imgs/test1.jpg'
yolo_detect(pathIn,pathOut)
>>> 从硬盘加载YOLO......
>>> YOLO模型花费 3.63 秒来预测一张图片

pathIn = './test_imgs/test2.jpg'
pathOut = './result_imgs/test2.jpg'
yolo_detect(pathIn,pathOut)
>>> 从硬盘加载YOLO......
>>> YOLO模型花费 3.55 秒来预测一张图片

pathIn = './test_imgs/test3.jpg'
pathOut = './result_imgs/test3.jpg'
yolo_detect(pathIn,pathOut)
>>> 从硬盘加载YOLO......
>>> YOLO模型花费 3.75 秒来预测一张图片

结果为：

Python实现YOLO目标检测

 

Python实现YOLO目标检测

 

 

Python实现YOLO目标检测
 

从运行结果可知，在CPU上，检测一张图片所花的时间大概也就3到4秒。如果使用GPU，完全可以实时对视频/摄像头进行目标检测。

结合之前的博客用Python提取视频中的图片，可将YOLOv3应用于视频流。

YOLOv3最大的局限性和缺点就是：对于小物体，有时检测效果不佳；尤其不善于处理靠得很近的物体。

这些缺点都是由YOLO自身的算法所导致的：首先YOLO将输入图像划分为一个SxS的网格，网格中的每个单元格只预测一个对象。如果在一个单元格中存在多个小对象，那么YOLO将无法检测它们，最终导致检测对象的丢失。

因此，如果你知道你的数据集包含许多小物体，而且这些小物体也靠得很近，那么你不应该使用YOLO目标检测器。在小物体方面，Faster R-CNN效果是最好，尽管它的速度是最慢的。