前言今天和大家一起分享如何使用LabVIEW调用pb模型实现物体识别，本博客中使用的智能工具包可到主页置顶博客LabVIEW AI视觉工具包（非NI Vision）下载与安装教程中下载
一、物体识别算法原理概述1、物体识别的概念物体识别也称目标检测，目标检测所要解决的问题是目标在哪里以及其状态的问题 。但是，这个问题并不是很容易解决 。形态不合理，对象出现的区域不确定，更不用说对象也可以是多个类别 。
文章插图
目标检测用的比较多的主要是RCNN，spp- net ， fast- rcnn，faster- rcnn；YOLO系列，如YOLOV3和YOLOV4；除此之外还有SSD，ResNet等 。
2、Yolo算法原理概述Yolo的识别原理简单清晰 。对于输入的图片，将整张图片分为7×7（7为参数，可调）个方格 。当某个物体的中心点落在了某个方格中，该方格则负责预测该物体 。每个方格会为被预测物体产生2（参数，可调）个候选框并生成每个框的置信度 。最后选取置信度较高的方框作为预测结果 。
文章插图
二、opencv调用darknet物体识别模型（yolov3/yolov4）相关源码及模型在darknt文件夹下
文章插图
使用darknet训练yolo的模型，生成weights文件 。使用opencv调用生成的模型
1、darknet模型的获取文件含义：
- cfg文件：模型描述文件
- weights文件：模型权重文件
https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg
https://pjreddie.com/media/files/yolov3.weights
Yolov4获取链接:
https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.cfg
https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights
2、python调用darknet模型实现物体识别（1）dnn模块调用darknet模型
net = cv2.dnn.readNetFromDarknet("yolov3/yolov3.cfg", "yolov3/yolov3.weights")（2）获取三个输出端的LayerName使用getUnconnectedOutLayer获取三个只有输入，没有输出的层的名字 ， Yolov3的三个输出端层名为：['yolo_82', 'yolo_94', 'yolo_106']
def getOutputsNames(net): # Get the names of all the layers in the network layersNames = net.getLayerNames() # Get the names of the output layers, i.e. the layers with unconnected outputs return [layersNames[i - 1] for i in net.getUnconnectedOutLayers()]（3）图像预处理使用blobFromImage将图像转为image Size=(416,416)或(608,608) Scale=1/255 Means=[0,0,0]
blob = cv2.dnn.blobFromImage(frame, 1/255, (416, 416), [0,0,0], 1, crop=False)（4）推理使用net.forward(multiNames)获取多个层的结果 ， 其中getOutputsNames(net)=['yolo_82', 'yolo_94', 'yolo_106']
net.setInput(blob)outs = net.forward(getOutputsNames(net))（5）后处理（postrocess）获取的结果（outs）里面有三个矩阵（out），每个矩阵的大小为85*n，n表示检测到了n个物体，85的排列顺序是这样的：
- 第0列代表物体中心x在图中的位置（0~1）
- 第1列表示物体中心y在图中的位置（0~1）
- 第2列表示物体的宽度
- 第3列表示物体的高度
- 第4列是置信概率，值域为[0-1]，用来与阈值作比较决定是否标记目标
- 第5~84列为基于COCO数据集的80分类的标记权重，最大的为输出分类 。使用这些参数保留置信度高的识别结果(confidence>confThreshold)
def postprocess(frame, outs): frameHeight = frame.shape[0] frameWidth = frame.shape[1] classIds = [] confidences = [] boxes = [] classIds = [] confidences = [] boxes = [] for out in outs: for detection in out: scores = detection[5:] classId = np.argmax(scores) confidence = scores[classId] if confidence > confThreshold: center_x = int(detection[0] * frameWidth) center_y = int(detection[1] * frameHeight) width = int(detection[2] * frameWidth) height = int(detection[3] * frameHeight) left = int(center_x - width / 2) top = int(center_y - height / 2) classIds.append(classId) confidences.append(float(confidence)) boxes.append([left, top, width, height]) print(boxes) print(confidences)
推荐阅读
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
- 谣言检测《Data Fusion Oriented Graph Convolution Network Model for Rumor Detection》
- ClaHi-GAT 谣言检测《Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks》
- 手把手教你玩转 Gitea｜在 Windows 系统上安装 Gitea
- 含源码 手把手教你使用LabVIEW OpenCV dnn实现图像分类
- PLAN 谣言检测——《Interpretable Rumor Detection in Microblogs by Attending to User Interactions》
- 15 JavaObject类
- 含源码 手把手教你使用LabVIEW OpenCV DNN实现手写数字识别
- PSA 谣言检测——《Probing Spurious Correlations in Popular Event-Based Rumor Detection Benchmarks》
- 含源码 手把手教你使用LabVIEW人工智能视觉工具包快速实现传统Opencv算子的调用
- 含源码 手把手教你使用LabVIEW人工智能视觉工具包快速实现图像读取与采集
