在目前深度学习中比较普及的“物件检测”应用

接下来的重点，就是在目前深度学习中比较普及的“物件检测”应用，重点主要有以下三部分：

1. 简单说明“物件检测”的内容。

2. 使用本项目的 detecnet 物件分类指令，进行多样化的推理识别测试。

3. 深入说明 jetson.inference 模块的 detectNet（） 以及相关的函数用法。

如此让大家能快速掌握这项物件检测功能，以及开发代码的重点。

物件检测（object detection）简单说明

这是比图像分类更进一步的应用，因为日常生活中，在绝大部分可看到的画面中，不会只存在一个物体，通常是多种类别的多个物体，左图识别出有“四个人”、右图识别出“一个人与一匹马”，当然真的要细部再探索的话，还有其他类别的物体也可以被识别，这是视觉类深度学习中使用频率最高的一种应用。

在物件检测的识别中，还只是比较“概略性”地将物体用“矩形框”的方式来标识，那能不能将物体的“实际形状”更细腻地标识出来呢？当然可以，这就是更高阶的“语义分割”应用，留在下一篇文章里面说明。

前面的图像分类是以“一张图像”为单位，这里的物件检测则是以“物件框”为单位，因此所需要的数据集就不仅仅是图像了，还要将图像中所需要的类别加以标注，然后存成特定格式之后，提供给训练框架去进行模型训练，这是相当耗费人力的一个过程，而且标注的细腻程度也会对最终的精确度产生影响。

关于这个模型的训练过程，会在后面的文章中带着大家动手做一次，这也是整个 Hello AI World 项目中的一部分，而且也提供非常好用的工具，协助大家采集数据、标注物件框、进行模型训练等。

以上就是物件检测的简单说明，接下去直接使用项目提供的 detectnet 指令来进行实验。

detectnet 指令的使用

与 imagenet 的调用逻辑是一样的，当系统编译好之后，就生成 detectnet 指令，可以在 Jetson 设备中任何地方调用。同样的，项目也为 detectnet 准备了几个预训练好的网络模型，可以非常轻松地调用，预训练模型。

系统预设的神经网络是 “SSD-Mobilenet-v2”，基于 91 种分类的 COCO 数据集进行模型训练，详细的类别内容可以参考 ~/jetson-inference/data/networks 目录下的ssd_coco_labels.txt，事实上能识别的物件有 90 种，另外加一个 “unlabeled” 种类。

detectnet 的参数调用与 imagenet 几乎一致，输入源与输出标的的支持方式完全相同，因此我们可以执行下面指令，直接看看得到怎样的效果：

在执行过程中，会看到命令终端不断出现类似下图的信息，里面显示一些重要的信息，包括“使用的网络模型文件”、“4 个执行阶段占用时间”、“检测到满足阈值的物件数”、“物件类别/置信度”，以及“物件位置”等信息。

detectnet 也能导出 RTP 视频流到指定的电脑，详细用法请参考前面 “Utils的videoOutput 工具”一文中有详细说明，这个用法的实用度非常高，可以让你将 Jetson Nano 2GB 设备放置在任何能接网络的角落，不断读取摄像头内容在 Jetson 上执行物件识别，然后将结果传输到你的桌面电脑或笔记本上，这样你就可以非常轻松地进行监控。

输入 “detectnet --help” 可以得到完整的帮助信息，由于内容太多，我们在这里不占用篇幅去说明，多尝试一些指令的组合，会让你进一步掌握这个指令的重点。

接下来看看如何在 Python 代码中，调用这个项目的物件检测函数，来开发自己的物件检测应用。

detectNet（）函数的用法

与前面图像分类的逻辑一样，作者虽然在 ~/jetson-inference/python/examples 下面提供了一个 my-detection.py 范例，这个就是我们一开始所示范的“ 10 行代码威力”的内容，这个范例的好处是“代码量最少”，但对应的缺点就是“弹性小、完整度不够”，因此从务实的角度，我们还是推荐以 /usr/local/bin/detect.py 这只代码为主，这只代码能执行的功能，与 detectnet 指令几乎一致。

与 imagenet.py 代码相同的，一开始有一段“参数解析”的指令，如下截图：

这部分同样请参考先前的“参数解析功能”文章，在这里不重复赘述。接下来我们将与物件检测有关的指令挑出来说明，这样可以让读者更加容易将焦点集中在有关的部分：

51 行：net = jetson.inference.detectNet（opt.network， sys.argv， opt.threshold）

用 jetson.inferene.detectNet（） 函数建立 net 这个物件检测对象，与前面的 imageNet（） 的逻辑是一样的，不过这里所输入的参数，除了 network（网络模型类别）之外，还多了一个 threshold（阈值）。因为物件检测的功能，是要在图像中识别出“所有可能”的物件，如果没有一个“最低门槛”的限制，就会满屏都是物件。

系统已经给这两个参数都提供预设值，network 预设为 “SSD-Mobilenet-v2”、threshold 预设值为 0.5。

如果要在代码外部利用参数去改变设定，就可以如以下方式：

--network=multiped，表示要使用“Multiped-500”这个网络模型

--threshold=0.3，表示将阈值改成0.3

这样 net 对象就具备了执行物件检测的相关功能，然后再继续以下的步骤。

63 行：detections = net.Detect（img， overlay=opt.overlay）

这道指令，就是将 input.Capture（） 获取的一帧图形，传入 net.Detect（） 函数去执行物件检测的推理识别计算，另一个参数 “overlay” 的功能是“检测覆盖”的一个标识，只影响显示输出的方式，与检测结果并没有关系，大部分时候都不需要去改变。

这里最重要的是 detections 这个数组变量，由于每帧图像所检测出来物件数量是不固定的，数组的结构在说明文件中并未完整表达，因此需要从执行的代码中去找到蛛丝马迹，这个部分在下一道指令中可以找到答案。

66~69 行：

print（“detected {：d} objects in image”.format（len（detections）））

for detection in detections：

print（detection）

这部分执行完之后，会在命令终端上显示两个很重要的信息：

本帧图像所找到满足阈值的物件数量。

前面变量detections的数据结构。

在命令终端执行以下指令，

看看所显示的信息，如下截屏：

这里可以看到，代码最后面 “len（detections）” 的值，就是本帧图像所检测到的物件数量，而 detections 的数据结构就是：

ClassID：类别编号

Confidence：置信度

Left：标框左坐标

Top：标框上坐标

Right：标框右坐标

Bottom：标框下坐标

Width：框的宽度 = Right - Left

Height：框的高度 = Bottom - Top

Area：面积 = Width x Height

Center：中心点坐标 = （ （Left+Right）/2， （Top+Bottom）/2 ）

确认了 net.Detect（） 返回值之后，就能很轻易地以这些数据去开发满足特定要求的应用。

至于后面的 output.Render（img）、output.Status（） 这些函数，在前面的文章里面都讲解的很清楚，这里不再重复。

到这里，要利用 Hello AI World 这个项目所提供的库资源，去开发自己的应用程序，就显得非常简单了。

编辑：jq