在外网上看到一篇非常好的目标检测入门教程，特此翻译过来，希望能对他人有所帮助，也加深下自己的记忆。（大部分机器都翻译的可以，如有错误我会改正，各位也可以google看原文）
介绍
当我们看到一张图像时，我们的大脑会立即识别其中的物体。另一方面，机器识别这些对象需要大量的时间和训练数据。但是随着硬件和深度学习的进步，这个计算机视觉领域变得更加简单和直观。
以下图为例。该系统能够以令人难以置信的精确度识别图像中的不同物体。
目标检测技术在各行各业中得到了迅速的应用。
它帮助自动驾驶汽车在交通中安全行驶，在拥挤的地方发现暴力行为，帮助运动队分析球探报告，确保制造过程中零部件的质量控制，等等。
而这些仅仅是对象检测技术所能做的皮毛而已!
在本文中，我们将了解什么是目标检测，并研究几种不同的方法来解决这个空间中的问题。
然后我们将深入研究用Python构建我们自己的对象检测系统。
在本文的最后，您将拥有足够的知识来独自承担不同的目标检测挑战!
注意:本教程假设您了解深度学习的基础知识，并且以前解决过简单的图像处理问题。
如果您还没有，或者需要复习一下，我建议您先阅读以下文章:
目录
什么是目标检测?
我们可以使用不同的方法来解决对象检测问题
方法1:原始的方法(分而治之)
方法2:增加分部的数量
方法3:执行结构化的划分
方法4:变得更有效率
方法5:使用深度学习进行特征选择并构建端到端方法
获取技术:如何使用ImageAI库构建对象检测模型
什么是目标检测?
在我们深入构建一个最先进的模型之前，让我们先试着理解什么是对象检测。
让我们(假设)为自动驾驶汽车建立一个行人检测系统。
假设您的汽车捕获了如下所示的
图像。
你如何描述这幅图像?
这幅图基本上描绘了我们的车在一个广场附近，几个人在我们的车前面过马路。
由于交通标志看不清楚，汽车的行人检测系统应该准确地识别出人们在哪里行走，这样我们就可以避开他们。
那么，汽车的系统能做些什么来确保这种情况的发生呢?
它所能做的就是在这些人周围创建一个包围框，这样系统就可以确定这些人在图像中的位置，然后相应地决定走哪条路径，以避免任何灾难。
我们做目标检测的目的有两个方面:
1，识别图像中出现的所有对象及其位置
2，过滤掉警示标志
解决目标检测问题的不同方法
现在我们知道了问题陈述是什么，那么有什么方法(或多种方法)可以解决它呢?
在本节中，我们将研究一些可以用于检测图像中的目标的技术。
我们将从最简单的方法开始，并从那里找到我们的方法。
如果您对我们将在下面看到的方法有任何建议或替代方法，请在评论部分告诉我!
方法1:初始方法(分而治之)
我们可以采取的最简单的方法是把图像分成四个部分:
1，左上角
2，右上角
3，左下角
4，右下角
现在，下一步是将这些部分分别输入图像分类器。
这将给我们一个输出，这部分图像是否有行人。
如果是，在原始图像中标记那个长方形。
输出结果大致如下:
这是一个很好的方法，首先尝试，但我们正在寻找一个更准确和更精确的系统。它需要识别整个对象(在本例中是一个人)，因为仅定位对象的一部分可能会导致灾难性的结果。
方法2:增加分部的数量
以前的系统运行得很好，但是我们还能做什么呢?
我们可以通过成倍地增加我们输入到系统中的分部的数量来改进它。
我们的输出
这最终既是一种恩惠，也是一种诅咒。
当然，我们的解决方案似乎比天真的方法好一点，但它充满了许多近似相同的边界框。
这是一个问题，我们需要一个更有条理的方法来解决我们的问题。
方法3:执行结构化的划分
为了以更结构化的方式构建我们的对象检测系统，我们可以遵循以下步骤:
步骤1:将图像划分为10×10的网格像这样的:
步骤2:定义每个部分的质心步骤
3:对于每个质心，取三个不同高度和宽高比的部分
步骤4:通过图像分类器创建的所有部分获得预测
那么最终的输出是什么样子的呢?
看看下面:
但是我们可以在这方面做得更好!
继续阅读，看看另一种方法将产生更好的结果。
方法4:变得更有效率
我们前面看到的方法在很大程度上是可以接受的，但是我们可以构建一个比它更有效的系统。
你能告诉我怎么做吗?
在我的脑海里，我可以提出一个优化方案。
如果我们考虑方法3，我们可以做两件事使我们的模型更好。
增加网格大小:因此，我们可以将网格大小从10增加到20:
在这里，我们可以从一个锚点上取9个形状，即3个不同高度的正方形斑块和6个不同高度的垂直和水平矩形斑块。
这将为我们提供不同的长宽比的补丁。
当然，这两种方法都可以帮助我们达到更细粒度的层次。
但它将再次创造一个爆炸的所有补丁，我们必须通过我们的图像分类模型。
我们所能做的是，选择有用的补丁而不是用全部补丁。
例如，我们可以构建一个中间分类器，它试图预测补丁是否具有背景，或者是否可能包含一个对象。
这将大大减少我们的图像分类模型必须看到的补丁。
我们可以做的另一个优化，是减少说“相同的事情”的预测。
让我们再看一遍方法3的输出:
正如您所看到的，这两个边界框预测基本上是同一个人的。
我们可以选择其中任何一个。
所以为了做出预测，我们考虑所有“说同样的话”的补丁，然后选择最有可能发现一个人的补丁。
到目前为止，所有这些优化都给出了相当不错的预测。
我们几乎很有把握了，但是你能猜出少了什么吗?
当然是深度学习了!
方法5:使用深度学习进行特征选择并构建端到端方法
深度学习在目标检测领域有着巨大的潜力。
你能推荐我们在哪里以及如何利用它来解决我们的问题吗?
我列出了一些方法如下:
我们可以将原始图像通过神经网络来减少尺寸，而不是从原始图像中获取补丁
我们也可以使用神经网络来建议选择的补丁
我们可以强化一种深度学习算法，以给出尽可能接近原始边界框的预测。
这将确保算法提供更紧密和更精细的包围框预测
现在我们不需要训练不同的神经网络来解决每一个单独的问题，我们可以用一个深层神经网络模型来尝试解决所有的问题。
这样做的好处是，每个较小的神经网络组件将有助于优化同一神经网络的其他部分。
这将有助于我们共同培养整个深度模型。
我们的输出将提供到目前为止我们所看到的所有方法中最好的性能，有点类似于下面的图像。
我们将在下一节中看到如何使用Python创建它。
获取技术:如何使用ImageAI库构建对象检测模型
现在我们知道了什么是目标检测，以及解决这个问题的最佳方法，让我们构建自己的目标检测系统吧!
我们将使用ImageAI，这是一个python库，它支持用于计算机视觉任务的最先进的机器学习算法。
运行一个对象检测模型来获得预测是相当简单的。
我们不需要通过复杂的安装脚本才能开始。
我们甚至不需要GPU来生成预测!
我们将使用这个ImageAI库来获得我们在方法#5中看到的输出预测。
我强烈建议您(在您自己的机器上)写下下面的代码，因为这将使您能够从本节中获得最大限度的知识。
请注意，在创建对象检测模型之前，您需要设置您的系统。
一旦您在本地系统中安装了Anaconda，您就可以开始执行以下步骤。
使用python 3.6版本创建一个Anaconda环境。
conda create -n retinanet python=3.6 anaconda
激活环境并安装必要的包。
source activate retinanet
conda install tensorflow numpy scipy opencv pillow matplotlib h5py keras
然后安装ImageAI库。
pip install https://github.com/OlafenwaMoses/ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl
步骤4:现在下载生成预测所需的预训练模型。
这个模型是基于RetinaNet(一篇后续文章的主题)的。
点击链接下载-视网膜网络预训练模型https://github.com/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5
步骤5:将下载的文件复制到当前工作文件夹
步骤6:从这个链接下载图像。
将图像命名为image.png
步骤7:打开jupyter笔记本(在终端中输入jupyter笔记本)，运行以下代码:
from imageai.Detection import ObjectDetection
import os
execution_path = os.getcwd()
detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))
detector.loadModel()
custom_objects = detector.CustomObjects(person=True, car=False)
detections = detector.detectCustomObjectsFromImage(input_image=os.path.join(execution_path , "image.png"), output_image_path=os.path.join(execution_path , "image_new.png"), custom_objects=custom_objects, minimum_percentage_probability=65)
for eachObject in detections:
print(eachObject["name"] + " : " + eachObject["percentage_probability"] )
print("--------------------------------")
这将创建一个名为image_new的修改后的图像文件。
png，它包含图像的边框框。
步骤8:使用以下代码打印图像:
from IPython.display import Image
Image("image_new.png")
恭喜你!
您已经为行人检测创建了自己的对象检测模型。
这有多棒?
最后指出
在本文中，我们学习了什么是对象检测，以及创建对象检测模型背后的直觉。
我们还了解了如何使用ImageAI库构建用于行人检测的对象检测模型。
只要稍微调整一下代码，您就可以轻松地转换模型来解决您自己的对象检测挑战。
如果你确实用上述方法解决了这样的问题，特别是为社会事业，请在下面的评论中告诉我!
