基于Python實(shí)現(xiàn)一鍵找出磁盤里所有貓照

第基于Python實(shí)現(xiàn)一鍵找出磁盤里所有貓照目錄前言1.準(zhǔn)備2.編寫代碼3.批量自動(dòng)識別4.完整代碼

前言

最近在整理我磁盤上的照片，發(fā)現(xiàn)不少貓照，突然覺得若能把這些貓照都挑出來，觀察它們的成長軌跡也是一件不錯(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)化地找出來呢？

目標(biāo)檢測，是許多計(jì)算機(jī)視覺應(yīng)用的重中之重，比如說我們上次的實(shí)例分割：Python20行代碼批量自動(dòng)摳圖，人體關(guān)鍵點(diǎn)提取、人臉識別等。而我們這一次，是要識別貓照。由于時(shí)間不多，我們沒有時(shí)間收集訓(xùn)練集，那么有沒有已經(jīng)訓(xùn)練好的目標(biāo)檢測模型呢？

這時(shí)候就要搬出paddlehub了，puddlehub有一個(gè)模型叫做YOLOv3，基于JosephRedmon和AliFarhadi提出的單階段檢測器。該檢測器與達(dá)到同樣精度的傳統(tǒng)目標(biāo)檢測方法相比，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B個(gè)boundingbox，每個(gè)boundingbox預(yù)測內(nèi)容包括:Location(x,y,w,h)、ConfidenceScore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

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上,如果沒有，可以訪問這篇文章：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

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，下方會出現(xiàn)安裝指引，不得不說，Paddlepaddle這些方面做的還是比較貼心的。

要注意，如果你的Python3環(huán)境變量里的程序名稱是Python，記得將python3xxx語句改為Pythonxxx如下進(jìn)行安裝：

python-mpipinstallpaddlepaddle-i/pypi/simple

你還需要安裝paddlehub：

pipinstall-i/pypi/simplepaddlehub

2.編寫代碼

我們先試試單圖片識別，找到貓貓：

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:

pythonpredict.py

#[{'left':684.79376,'right':2025.4724,'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，識別到了兩只貓，其中第一只貓頂部位置為961，右部位置為2025，左部位置為684，底部位置為2299。根據(jù)這個(gè)位置，編寫代碼，用于框出相應(yīng)位置的貓：

def

paint_rect(input_img:str,output_path:str,

labels:list,position:list):

"""

畫出矩形

:paraminput_img:輸入圖片

:paramoutput_path:輸出圖片

:paramlabels:標(biāo)簽

:parampositions:坐標(biāo)

公眾號：Python實(shí)用寶典

"""

img=cv2.imread(input_img)

for

position

in

positions:

print(position)

#畫矩形框,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：

3.批量自動(dòng)識別

這樣，我們就有思路進(jìn)行自動(dòng)識別了，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

@paramdirpath:目錄

@param*suffix:后綴

公眾號：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)簽畫框并移動(dòng)：

def

paint_rect(input_img:str,output_path:str,

labels:list,position:list):

"""

畫出矩形

:paraminput_img:輸入圖片

:paramoutput_path:輸出圖片

:paramlabels:標(biāo)簽

:parampositions:坐標(biāo)

公眾號：Python實(shí)用寶典

"""

img=cv2.imread(input_img)

for

position

in

positions:

#畫矩形框,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('