欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

基于Python實(shí)現(xiàn)一鍵找出磁盤(pán)里所有貓照

 更新時(shí)間：2022年05月09日 14:47:36   作者：Ckend  
最近在整理我磁盤(pán)上的照片，發(fā)現(xiàn)不少貓照，突然覺(jué)得若能把這些貓照都挑出來(lái)，觀察它們的成長(zhǎng)軌跡也是一件不錯(cuò)的事情。一張一張的找實(shí)在是太費(fèi)勁了，能不能自動(dòng)化地找出來(lái)呢？本文將詳細(xì)為大家講講，需要的可以參考一下

前言

圖片

最近在整理我磁盤(pán)上的照片，發(fā)現(xiàn)不少貓照，突然覺(jué)得若能把這些貓照都挑出來(lái)，觀察它們的成長(zhǎng)軌跡也是一件不錯(cuò)的事情。一張一張的找實(shí)在是太費(fèi)勁了，能不能自動(dòng)化地找出來(lái)呢？

目標(biāo)檢測(cè)，是許多計(jì)算機(jī)視覺(jué)應(yīng)用的重中之重，比如說(shuō)我們上次的實(shí)例分割：Python 20行代碼批量自動(dòng)摳圖，人體關(guān)鍵點(diǎn)提取、人臉識(shí)別等。而我們這一次，是要識(shí)別貓照。由于時(shí)間不多，我們沒(méi)有時(shí)間收集訓(xùn)練集，那么有沒(méi)有已經(jīng)訓(xùn)練好的目標(biāo)檢測(cè)模型呢？

這時(shí)候就要搬出paddlehub了，puddlehub有一個(gè)模型叫做YOLOv3，基于 Joseph Redmon和Ali Farhadi提出的單階段檢測(cè)器。該檢測(cè)器與達(dá)到同樣精度的傳統(tǒng)目標(biāo)檢測(cè)方法相比，推斷速度能達(dá)到接近兩倍。

YOLOv3將輸入圖像分成S*S個(gè)格子，每個(gè)格子預(yù)測(cè)B個(gè)bounding box，每個(gè)bounding box預(yù)測(cè)內(nèi)容包括: Location(x, y, w, h)、Confidence Score和C個(gè)類別的概率，因此我們不僅能夠找出貓的照片，還能定位它的位置！甚至能自動(dòng)數(shù)出一張照片里有多少只貓！

1.準(zhǔn)備

開(kāi)始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上,如果沒(méi)有，可以訪問(wèn)這篇文章：超詳細(xì)Python安裝指南 進(jìn)行安裝。

(可選1) 如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda，它內(nèi)置了Python和pip.

(可選2) 此外，推薦大家用VSCode編輯器，它有許多的優(yōu)點(diǎn)

為了實(shí)現(xiàn)識(shí)別貓的功能，我們需要安裝 paddlepaddle, 進(jìn)入他們的官方網(wǎng)站就有詳細(xì)的指引

圖片

根據(jù)你自己的情況選擇這些選項(xiàng)，最后一個(gè)CUDA版本，由于本實(shí)驗(yàn)不需要訓(xùn)練數(shù)據(jù)，也不需要太大的計(jì)算量，所以直接選擇CPU版本即可。選擇完畢，下方會(huì)出現(xiàn)安裝指引，不得不說(shuō)，Paddlepaddle 這些方面做的還是比較貼心的。

圖片

要注意，如果你的Python3環(huán)境變量里的程序名稱是Python，記得將python3 xxx 語(yǔ)句改為Python xxx 如下進(jìn)行安裝：

python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

你還需要安裝paddlehub：

pip install -i https://mirror.baidu.com/pypi/simple paddlehub

2.編寫(xiě)代碼

我們先試試單圖片識(shí)別，找到貓貓：

圖片

新建predict.py文件，存放貓照在當(dāng)前文件夾的imgs文件夾下，命名為c1.jpg. 輸入以下代碼：

import?paddlehub?as?hub

# 加載模型
yolov3 = hub.Module(name="yolov3_darknet53_coco2017")

# 圖片位置
test_img_path =?"imgs/c1.jpg"

# 輸入圖片
input_dict = {"image": [test_img_path]}

# 輸出結(jié)果
results = yolov3.object_detection(data=input_dict)
for?result?in?results:
????print(result['path'])
????print(result['data'])

在終端/CMD輸入以下命令運(yùn)行文件:

python predict.py
# [{'left': 684.79376, 'right': 2024.4724, 'top': 961.53644, 'bottom': 2299.855, 'label': 'cat', 'confidence': 0.94765514}, {'left': 1461.0829, 'right': 3853.3633, 'top': 621.53064, 'bottom': 2769.5376, 'label': 'cat', 'confidence': 0.8093604}]

可以看到，識(shí)別到了兩只貓，其中第一只貓頂部位置為961，右部位置為2024，左部位置為684，底部位置為2299。根據(jù)這個(gè)位置，編寫(xiě)代碼，用于框出相應(yīng)位置的貓：

def?paint_rect(input_img: str, output_path: str,
???????????????labels: list, position: list):
????"""
????畫(huà)出矩形
????????:param input_img: 輸入圖片
????????:param output_path: 輸出圖片
????????:param labels: 標(biāo)簽
????????:param positions: 坐標(biāo)
????公眾號(hào)：Python實(shí)用寶典
????"""
????img = cv2.imread(input_img)

????for?position?in?positions:
????????print(position)
????????# 畫(huà)矩形框, 輸入?yún)?shù)分別為圖像、左上角坐標(biāo)、右下角坐標(biāo)、顏色數(shù)組、粗細(xì)
????????cv2.rectangle(
????????????img, (position['left'], position['top']),
????????????(position['right'], position['bottom']),
????????????(0,?255,?0), thickness=10
????????)

????if?'cat'?in?labels:
????????# 若是貓，則存到另一個(gè)地方
????????shutil.move(input_img, output_path + os.sep + input_img.split('/')[-1])
????????cv2.imwrite(output_path + os.sep +?'rect_%s'?% input_img.split('/')[-1], img)

效果如下：

圖片

3.批量自動(dòng)識(shí)別

這樣，我們就有思路進(jìn)行自動(dòng)識(shí)別了，首先獲得該文件夾下所有的圖片，其次，將這些圖片都放入分類器中進(jìn)行分類，最后，再根據(jù)分類的標(biāo)簽將其提取出來(lái)移動(dòng)到其他地方。

獲得該文件夾下所有圖片：

def?get_all_path(dirpath, *suffix):
????"""
????獲得所有路徑

????@param dirpath: 目錄
????@param *suffix: 后綴
????公眾號(hào)：Python實(shí)用寶典
????"""

????path_array = []
????for?r, ds, fs?in?os.walk(dirpath):
????????for?fn?in?fs:
????????????if?os.path.splitext(fn)[1]?in?suffix:
????????????????fname = os.path.join(r, fn)
????????????????path_array.append(fname)
????return?path_array
# 獲得所有jpg和png圖片
image_paths = get_all_path(source_path,?'.jpg',?'.JPG',?'png',?'PNG')

放入分類器中分類：

# 加載模型
yolov3 = hub.Module(name="yolov3_darknet53_coco2017")
# 輸入圖片
input_dict = {"image": image_paths}
# 輸出結(jié)果
results = yolov3.object_detection(data=input_dict, labels=['cat'])

根據(jù)標(biāo)簽畫(huà)框并移動(dòng)：

def?paint_rect(input_img: str, output_path: str,
???????????????labels: list, position: list):
????"""
????畫(huà)出矩形
????????:param input_img: 輸入圖片
????????:param output_path: 輸出圖片
????????:param labels: 標(biāo)簽
????????:param positions: 坐標(biāo)
????公眾號(hào)：Python實(shí)用寶典
????"""
????img = cv2.imread(input_img)

????for?position?in?positions:
????????# 畫(huà)矩形框, 輸入?yún)?shù)分別為圖像、左上角坐標(biāo)、右下角坐標(biāo)、顏色數(shù)組、粗細(xì)
????????cv2.rectangle(
????????????img, (position['left'], position['top']),
????????????(position['right'], position['bottom']),
????????????(0,?255,?0), thickness=10
????????)

????if?'cat'?in?labels:
????????# 若是貓，則存到另一個(gè)地方
????????shutil.move(input_img, output_path + os.sep + input_img.split('/')[-1])
????????cv2.imwrite(output_path + os.sep +?'rect_%s'?% input_img.split('/')[-1], img)

results = yolov3.object_detection(data=input_dict, labels=['cat'])
for?result?in?results:
????path = result['path']
????labels = []
????positions = []
????for?target?in?result['data']:
????????labels.append(target.get('label',?''))
????????positions.append({
????????????'left': target.get('left',?-1),
????????????'top': target.get('top',?-1),
????????????'right': target.get('right',?-1),
????????????'bottom': target.get('bottom',?-1)
????????})
????paint_rect(path, target_path, labels, positions)

4.完整代碼

import paddlehub as hub
import cv2
import os
import shutil
 
 
def get_all_path(dirpath, *suffix):
    """
    獲得所有路徑
 
    @param dirpath: 目錄
    @param *suffix: 后綴
    """
 
    path_array = []
    for r, ds, fs in os.walk(dirpath):
        for fn in fs:
            if os.path.splitext(fn)[1] in suffix:
                fname = os.path.join(r, fn)
                path_array.append(fname)
    return path_array
 
 
def paint_rect(input_img: str, output_path: str,
               labels: list, position: list):
    """
    畫(huà)出矩形
        :param input_img: 輸入圖片
        :param output_path: 輸出圖片
        :param labels: 標(biāo)簽
        :param positions: 坐標(biāo)
    """
    img = cv2.imread(input_img)
 
    for position in positions:
        # 畫(huà)矩形框, 輸入?yún)?shù)分別為圖像、左上角坐標(biāo)、右下角坐標(biāo)、顏色數(shù)組、粗細(xì)
        cv2.rectangle(
            img, (position['left'], position['top']),
            (position['right'], position['bottom']),
            (0, 255, 0), thickness=10
        )
 
    if 'cat' in labels:
        # 若是貓，則存到另一個(gè)地方
        shutil.move(input_img, output_path + os.sep + input_img.split('/')[-1])
        cv2.imwrite(output_path + os.sep + 'rect_%s' % input_img.split('/')[-1], img)
 
 
if __name__ == '__main__':
    source_path = './imgs/'
    target_path = './target/'
 
    # 獲得所有jpg和png圖片
    image_paths = get_all_path(source_path, '.jpg', '.JPG', 'png', 'PNG')
 
    # 加載模型
    yolov3 = hub.Module(name="yolov3_darknet53_coco2017")
 
    # 輸入圖片
    input_dict = {"image": image_paths}
 
    # 輸出結(jié)果
    results = yolov3.object_detection(data=input_dict, labels=['cat'])
    for result in results:
        path = result['path']
        labels = []
        positions = []
        print(path)
        for target in result['data']:
            labels.append(target.get('label', ''))
            positions.append({
                'left': target.get('left', -1),
                'top': target.get('top', -1),
                'right': target.get('right', -1),
                'bottom': target.get('bottom', -1)
            })
        paint_rect(path, target_path, labels, positions)

到此這篇關(guān)于基于Python實(shí)現(xiàn)一鍵找出磁盤(pán)里所有貓照的文章就介紹到這了,更多相關(guān)Python找出磁盤(pán)貓照內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

最新評(píng)論