opencv 手部識別_OpenCv的DNN模組學習記錄
阿新 • • 發佈:2021-01-03
技術標籤:opencv 手部識別
主要是介紹了opencv的dnn模組,本案例用的是imagenet的資料集,包含一千多種目標的分類,講道理,自己隨便去網上找了些圖片,準確度還蠻高的,大家可以用下面的程式碼試試。廢話不多說,直接上程式碼哈(精華都在註釋裡)。
# 匯入工具包 import utils_paths import numpy as np from cv2 import cv2 # 標籤檔案處理 rows = open("synset_words.txt").read().strip().split("n") classes = [r[r.find(" ") + 1:].split(",")[0] for r in rows] # Caffe所需配置檔案 # 讀取模型,一個網路模型檔案,一個引數檔案 net = cv2.dnn.readNetFromCaffe("bvlc_googlenet.prototxt", "bvlc_googlenet.caffemodel") # 影象路徑 imagePaths = list(utils_paths.list_images("images/")) # 影象資料預處理 image = cv2.imread(imagePaths[0]) resized = cv2.resize(image, (224, 224)) # 拿到了第一張啤酒的圖片resized # image scalefactor size mean swapRB # cv2.dnn.blobFromImage 用於對輸入網路的影象進行預處理,主要是三部分,1.減均值 2.縮放 3.通道變換(可選),對於imageNet訓練集而言,三通道均值為(104, 117, 123) blob = cv2.dnn.blobFromImage(resized, 1, (224, 224), (104, 117, 123)) # caffe 輸出四維的資料 batchsize channel h w print("First Blob: {}".format(blob.shape)) # 得到預測結果 net.setInput(blob) preds = net.forward() # print(preds) preds相當於一個數組,就是我們將圖片input網路後,網路吐出了一個記錄了1000多個種類得分的陣列 # 排序,取分類可能性最大的 idx = np.argsort(preds[0])[::-1][0] text = "Label: {}, {:.2f}%".format(classes[idx], preds[0][idx] * 100) # 將文字資訊新增到圖片上,引數分別是,圖片,文字,呈現位置,字型,大小,顏色,顏色厚度 cv2.putText(image, text, (5, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) # 顯示 cv2.imshow("Image", image) cv2.waitKey(0) # Batch資料製作 images = [] # 方法一樣,資料是一個batch for p in imagePaths[2:]: image = cv2.imread(p) image = cv2.resize(image, (224, 224)) images.append(image) # blobFromImages函式,注意有s blob = cv2.dnn.blobFromImages(images, 1, (224, 224), (104, 117, 123)) print("Second Blob: {}".format(blob.shape)) # 獲取預測結果 net.setInput(blob) preds = net.forward() for (i, p) in enumerate(imagePaths[1:]): image = cv2.imread(p) idx = np.argsort(preds[i])[::-1][0] text = "Label: {}, {:.2f}%".format(classes[idx], preds[i][idx] * 100) cv2.putText(image, text, (5, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2) cv2.imshow("Image", image) cv2.waitKey(0)
==============================
==============================
github依舊在抽風,模型檔案暫時無法上傳。。。