GluonCV-物体检测教程-01.使用预先训练的SSD模型预测

本文展示了如何使用预先训练过的SSD模型，只需几行代码。
首先，让我们导入一些必要的库：

from gluoncv import model_zoo, data, utils
from matplotlib import pyplot as plt

加载训练好的模型

让我们在Pascal VOC数据集上使用512x512个图像训练SSD模型，并以ResNet-50v1作为基本模型。通过指定pretrained=True，它将在必要时自动从Model Zoo下载模型。欲了解更多的预训练模型，请参考Model Zoo。

net = model_zoo.get_model('ssd_512_resnet50_v1_voc', pretrained=True)

Out:
/var/lib/jenkins/miniconda3/envs/gluon_vision_docs/lib/python3.7/site-packages/mxnet/gluon/block.py:1328: UserWarning: Cannot decide type for the following arguments. Consider providing them as input:
        data: None
  input_sym_arg_type = in_param.infer_type()[0]

预处理图像

接下来我们下载一个图像，并使用预设的数据转换进行预处理。这里我们指定将图像的短边调整为512像素。但是你可以输入任意大小的图像。

如果要同时加载多个图像，可以提供图像文件名列表，例如[im_fname1，im_fname2，…]到gluoncv.data.transforms.presets.ssd.load_test()。

此函数返回两个结果。第一个是带形状的NDArray（batch_size(批处理大小)、RGB_channels(RGB_通道)、height、width）。它可以直接输入到模型中。第二个包含了numpy格式的图像以便于绘制。因为我们只加载了一个图像，所以x的第一维是1。

im_fname = utils.download('https://github.com/dmlc/web-data/blob/master/' +
                          'gluoncv/detection/street_small.jpg?raw=true',
                          path='street_small.jpg')
x, img = data.transforms.presets.ssd.load_test(im_fname, short=512)
print('Shape of pre-processed image:', x.shape)

Out:

Downloading street_small.jpg from https://github.com/dmlc/web-data/blob/master/gluoncv/detection/street_small.jpg?raw=true... 0%| | 0/116 [00:00<?, ?KB/s] 117KB [00:00, 5087.75KB/s] Shape of pre-processed image: (1, 3, 512, 512)

推理结果与展示

forward函数将返回所有检测到的边界框，以及相应的预测类id和置信度得分。它们的形状分别为(batch_size, num_bboxes, 1), (batch_size, num_bboxes, 1), and (batch_size, num_bboxes, 4)。

我们可以使用gluoncv.utils.viz.plot_bbox()可视化结果。我们对第一幅图像的结果进行切片，并将其输入到plot-bbox：

class_IDs, scores, bounding_boxes = net(x)

ax = utils.viz.plot_bbox(img, bounding_boxes[0], scores[0],
                         class_IDs[0], class_names=net.classes)
plt.show()

脚本的总运行时间：（0分2.081秒）

下载Python源码：demo_ssd.py

下载Jupyter notebook :demo_ssd.ipynb

原文链接：https://gluon-cv.mxnet.io/build/examples_detection/demo_ssd.html#sphx-glr-download-build-examples-detection-demo-ssd-py