OpenCV自帶dnn的Example研究（3）— object_detection

這個博客系列，簡單來講，今天咱們就是要研究

https://docs.opencv.org/master/examples.html下的

6個文件，看看在最新的OpenCV中，它們是如何發揮做用的。

在配置使用的過程當中，須要注意使用較高版本的VS避免編譯器兼容問題；因爲DNN程序的運行依賴於訓練成功的模型，所以須要預先下載準備；此外若是出現各類報錯，須要對症下藥。

此外，因爲須要使用common.hpp文件，因此須要引入dnn目錄到include中

用到的數據集都放在：

連接：https://pan.baidu.com/s/1WPoXU3VodErPHZo6Yc21xA 

提取碼：01no 

若是你沒找到，那必定是我忘了。

=====================================================================================友善的分割線============================

注意，這個例子有官方教程： https://docs.opencv.org/master/da/d9d/tutorial_dnn_yolo.html

教程給出了調用方法：

Usage examples

Execute in webcam:

$ example_dnn_object_detection --config =[PATH -TO -DARKNET] /cfg /yolo.cfg --model =[PATH -TO -DARKNET] /yolo.weights --classes =object_detection_classes_pascal_voc.txt --width = 416 --height = 416 --scale = 0. 00392 --rgb

Execute with image or video file:

$ example_dnn_object_detection --config =[PATH -TO -DARKNET] /cfg /yolo.cfg --model =[PATH -TO -DARKNET] /yolo.weights --classes =object_detection_classes_pascal_voc.txt --width = 416 --height = 416 --scale = 0. 00392 --input =[PATH -TO -IMAGE -OR -VIDEO -FILE] --rgb

參考這個 方法，修改咱們的調用參數

--config=e:/template/yolov3.cfg --model=e:/template/yolov3.weights --classes=e:/template/object_detection_classes_pascal_voc.txt --width=416 --height=416 --scale=0.00392 --input=e:/template/bike.avi --rgb
 

 

因此咱們須要先準備的是yolo.weights 和 yolo.cfg,

wget https : //pjreddie.com/media/files/yolov3.weights
wget https : //github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg?raw=true -O ./yolov3.cfg
wget https : //github.com/pjreddie/darknet/blob/master/data/coco.names?raw=true -O ./coco.names

對象識別是CV和DL的經典問題，看看OpenCV本身提供了什麼。

原本我使用的是OpenCV4，可是例子代碼使用的是最新從網上下載的，開頭直接給報了個錯

根據我多年程序設計的經驗（實際上是瞎猜），我認爲是否是個人OpenCV版本低了，感受更新到最新版本（這裏注意一下，對於vs2015和2017，opencv提供了prebuild版本，好比叫opencv-4.1.0-vc14_vc15.exe這樣的名字，能夠從官網直接下載）

注意prebuild是64位的，須要注意選擇。而後就能夠了，固然因爲參數問題，仍然是須要進行修改的。（果真猜對了）

由於已經出現了可以正確運行的命令行，因此這裏直接修改便可。

將汽車識別成bird確定是錯誤的，可是object detection和class的區別在於跟蹤，從顯示的結果上來看，就是畫框。

這個地方，就體現出了OpenCV DNN的黑盒特性，就是模型訓練中的東西，多是效果很是好的，也多是效果很差的。

對這塊的調節，不是OpenCV的工做，而是深度學習系統的工做—無論它是用什麼訓練出來的，咱們都但願OpenCV可以提供一個接入現有系統的接口。

在深度學習這裏，這纔是OpenCV的價值。

參考資料：

http://www.javashuo.com/article/p-qkzlrhge-c.html

來自爲知筆記(Wiz)

附件列表