[关闭]
@sambodhi 2018-05-18T02:05:49.000000Z 字数 3179 阅读 1935

使用Tensorflow从视频中揪出皮卡丘

作者|Juan De Dios Santos
译者|Zhiyong Liu
编辑|Lixin Chen

AI前线导读:图像分类和目标检测是计算机视觉两大模块。相比于图像分类,目标检测任务更复杂更困难。图像目标检测在过去几年深度学习的发展背景下取得了巨大的进展,检测性能得到了明显的提升。目标检测不但要检测到具体的目标,还要定位目标的具体位置。不过Tensorflow models上大神们的无私奉献已经使得目标检测模型平民化,只需要按照特定的格式准备好训练数据,就可以轻松训练出自己想要的目标检测模型。国外就有一位皮卡丘的粉丝使用TensorFlow从视频中检测出皮卡丘,让我们看看人家是怎么做到的?更重要的是,人家可是放出了代码哦!

在TensorFlow的许多功能和工具中,有一个名为TensorFlow Object Detection (目标检测)API的组件。顾名思义,这个库的目的就是训练一个神经网络,能够识别视频帧中的目标,例如一个图像。

在我之前的一项工作中,我曾发表了一篇文章,阐述了我在Android设备上使用TensorFlow软件包检测皮卡丘的过程。此外,我还介绍了这个库,并讨论了它提供的不同架构和功能,以及如何使用TensorBoard评估训练过程的演示。

AI前线注:该文章短URL:http://suo.im/4GPhqa

几个月后,我开始着手改进之前训练过的皮卡丘检测的模型,目的是通过视频来检测到皮卡丘,使用Python、OpenCV,当然还有TensorFlow Object Detection。这个模型的代码可以在我的Github可用:https://github.com/juandes/pikachu-detection

皮卡丘

本文记录了我为实现这个目标所采取的步骤。首先,我将阐述我在原始模型中注意到的问题,以及为改善这些问题所做的工作。然后,我将继续阐述如何使用这个改进的新模型,我构建了一个视频检测系统。最后,你们将能看到有着几个皮卡丘检测的两个视频。

在我们开始之前,先看一副gif动图,演示了快速检测皮卡丘。

皮卡丘被检测到。

绿框处即检测到的皮卡丘。

改进模型

如前所述,在之前的工作中,我对一个皮卡丘检测模型进行了最初的训练,目标是在Android设备和Python botebook使用这个模型。然而,我对这个模型的表现并不是很满意,想做出皮卡丘检测系统的动机驱使我持续改进这个模型,于是便有了本文。

我所关心的主要问题是用来构建该系统所需的皮卡丘图片的数量:230张。其中约70%用于训练,其余30%用于测试,因此训练并不太多。尽管这在技术上并不是什么问题(因为该模型的表现是“良好”),但我还是在训练集上增添了70多张图片(虽然不是很多,但总比没有好)。

由于我现在有了更多的图片,因此必须延长模型的训练。我并没有从头开始训练,而是使用了早期模型的训练检查点,并从那里继续;前者在15000个轮数训练,而新训练则需20000个轮数。如下图两张图所示,显示了总损失(total loss)和精度(precision)(来源:TensorBoard);从这两张图很容易看出,从15000个轮数到20000个轮数(特别是在损失中),并没有多少变化。

损失细节

精度细节

我做的最后一个(也是小的)改进,是修改了Android应用的检测阈值,将默认值为0.6,增加到0.85。

你会问,这些改进能改变什么吗?就算摒弃我的偏见,我也会说,是的!我是注意到了小小的改进。我注意到的最大变化就是,Android应用的假正类(False Positive)数量减少了,原因是目标看起来像一个黄色的斑点;当然,也有可能是因为门槛提高所致。

AI前线注:假正类(False Positive,FP):被模型预测为正类的负样本。

现在,我有了一个最新的(承载着我的希望)改进模型,我已经准备好用它来检测视频中的皮卡丘。在此之前,我想提到的是,我将略过模型冻结和导入的整个过程,因为在我之前的工作中,已经解决了这个问题。


从视频中检测

从视频中进行目标检测并不像听起来那么困难或复杂。从外行的角度来说,我们可以说视频是由一系列按顺序排列的图像,因此检测过程与从正常图像检测的过程非常相似。为什么会相当相似呢?嗯,由于视频的性质,在将其馈送到检测模型前必须解决的帧的预处理和准备有几个步骤。在接下来的几行中,我将会解释这一点,再加上我执行检测的过程,以及如何创建一个新视频来展示它们。

我的大部分代码都是基于TensorFlow Object Detection中提供的Python notebook;这段代码完成了大部分工作,因为它包含了许多简化检测过程的函数。另外,我建议你看一下我的脚本,并在阅读以下段落时,使用这段脚本作为指导。

从高层次的角度来看,我写的代码有三个主要任务:

加载资源

首先,要加载冻结模型、数据标签和视频。为了简单起见,我建议使用一个简短的中型视频,因为处理一整部电影的话可能会需要更多的时间。

遍历视频

该脚本的主要功能是基于循环遍历视频的每一个帧。在每次迭代中,读取帧并更改其颜色空间。接下来,通过实际的检测过程找出所有那些漂亮的皮卡丘。因此,返回皮卡丘所在边界框的坐标(如果找到的话)以及检测到的置信度值。随后,这个脚本将创建一个帧的副本,其中包含皮卡丘的边界框,只要置信度的值高于给定阈值即可。对于这个项目,我将置信度的阈值设置为非常低的20%,因为我注意到在视频中检测到的假正类的数量非常小,所以我决定“冒险”设置这样的阈值,只是为了能够检测到更多的皮卡丘结果。

创建新的视频

所有新创建的带有前面步骤中所提到的检测框的帧副本,都用来构建新的视频。要构建这个视频,需要一个VideoWriter对象,并在前面所提到的循环的每次迭代中,帧的副本将写入这个对象(没有任何声音)。


结果与讨论

这两个视频展示了模型的表现。


【嵌入https://v.qq.com/x/page/a0616j5lzp7.html


【嵌入https://v.qq.com/x/page/q0657dr81fv.html

该模型在第一个视频的检测结果非常好。尽管皮卡丘在整个视频中一直拿着番茄酱瓶子,但该模型在大多数场景中都能检测到皮卡丘。另一方面,在0:22处没有检测到皮卡丘,而且,0:40~0:44这段出现飞天螳螂打碎番茄酱瓶子被检测为假正类。

该模型在第二个视频的表现,不如第一个视频好,主要问题在于画面上有两个皮卡丘,在这种情况下,这个模型似乎将这两个皮卡丘视为一个,而不是每个皮卡丘都检测为一个:一个明显的例子就是在0:13处开始,两个皮卡丘互相抽打耳光。


总结和回顾

在本文中,我谈到了如何使用TensorFlow Object Detection包在视频中检测皮卡丘。在本文开头,我曾谈论过以前的工作,提及我使用早期版本的模型在Android设备上进行检测皮卡丘。该模型尽管发挥了作用,但仍存在一些我想解决的问题;这些改进让我得以完成这个项目,并为视频构建了一个检测皮卡丘的模型。

这个新模型确实按照我的预期发挥了作用。当然,也有检测不到的时候,这与假正类有关,但模型做到了它必须做的事。作为未来的研究方向,我希望在我的训练集中添加更多不同角度的皮卡丘图像,例如,皮卡丘的侧视图和后视图,以使数据更加多样化,从而获得更好的结果。

原文链接: Detecting Pikachu in videos using Tensorflow Object Detection
https://towardsdatascience.com/detecting-pikachu-in-videos-using-tensorflow-object-detection-cd872ac42c1d

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注