卷积神经网络预测

在python中应用，要求有opencv3.4，运行就可以看到检测效果图

# USAGE
# python real_time_object_detection.py --prototxt MobileNetSSD_deploy.prototxt.txt --model MobileNetSSD_deploy.caffemodel

# import the necessary packages
from imutils.video import VideoStream
from imutils.video import FPS
import numpy as np
import argparse
import imutils
import time
import cv2


# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser（）
ap.add_argument（“-p“ “--prototxt“default=“MobileNetSSD_deploy_0.prototxt“
	help=“path to Caffe ‘deploy‘ prototxt file“）
ap.add_argument（“-m“ “--model“default=“MobileNetSSD_deploy_0.caffemodel“
	help=“path to Caffe pre-trained model“）
ap.add_argument（“-c“ “--confidence“ type=float default=0.2
	help=“minimum probability to filter weak detections“）
args = vars（ap.parse_args（））



# initialize the list of class labels MobileNet SSD was trained to
# detect then generate a set of bounding box colors for each class

CLASSES = [“background“ “aeroplane“ “bicycle“ “bird“ “boat“
	“bottle“ “bus“ “car“ “cat“ “chair“ “cow“ “diningtable“
	“dog“ “horse“ “motorbike“ “person“ “pottedplant“ “sheep“
	“sofa“ “train“ “tvmonitor“]
COLORS = np.random.uniform（0 255 size=（len（CLASSES） 3））

# load our serialized model from disk
print（“[INFO] loading model...“）
net2 = cv2.dnn.readNetFromCaffe（args[“prototxt“] args[“model“]）

# net2=cv2.dnn.readNetFromCaffe（“VGG_SSD_300.prototxt““VGG_SSD_300.caffemodel“）
# net2=cv2.dnn.readNetFromTensorflow（“face.pb“）
# initialize the video stream allow the cammera sensor to warmup
# and initialize the FPS counter
print（“[INFO] starting video stream...“）
#vs = VideoStream（src=0）.start（）
# vs =cv2.VideoCapture（‘C:\\Users\\voidking\\Desktop\\real-time-object-detection\\test_video.flv‘）
# vs =cv2.VideoCapture（‘./test_video.flv‘）
# vs =cv2.VideoCapture（“video1.mp4“）
vs =cv2.VideoCapture（‘timg.jpg‘）
time.sleep（2.0）
fps = FPS（）.start（）

# loop over the frames from the video stream
while True:
	# grab the frame from the threaded video stream and resize it
	# to have a maximum width of 400 pixels
	#frame = vs.read（）
	#frame = imutils.resize（frame width=400）

	# grab the frame from the threaded video file stream
	（grabbedframe） = vs.read（）
	# if the frame was not grabbed then we have reached the end
	# of the stream
	if not grabbed:
		break
	frame = imutils.resize（frame width=800）
	# grab the frame dimensions and convert it to a blob
	（h w） = frame.shape[:2]
	blob = cv2.dnn.blobFromImage（cv2.resize（frame （300 300））
		0.007843 （300 300） 127.5）

	# pass the blob through the network and obtain the detections and
	# predictions
	net2.setInput（blob）
	detections = net2.forward（）
	# print（np.max（detections[0]））

	# print（detections）
	# loop over the detections
	for i in np.arange（0 detections.shape[2]）:
		# extract the confidence （i.e. probability） associated with
		# the prediction
		confidence = detections[0 0 i 2]

		# filter out weak detections by ensuring the ‘confidence‘ is
		# greater than the minimum confidence

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件        288  2018-05-29 10:03  Detect\.idea\misc.xml

     文件        276  2018-05-29 10:03  Detect\.idea\modules.xml

     文件        398  2018-05-29 10:05  Detect\.idea\personDetect.iml

     文件       8418  2018-05-29 11:23  Detect\.idea\workspace.xml

     文件   23147564  2018-03-29 15:47  Detect\MobileNetSSD_deploy_0.caffemodel

     文件      29353  2018-03-29 15:47  Detect\MobileNetSSD_deploy_0.prototxt

     文件       4972  2018-11-07 16:56  Detect\real_time_object_detection.py

     文件      57064  2018-11-06 20:25  Detect\timg.jpg

     文件       4072  2018-11-07 15:56  Detect\yoloT.py

     目录          0  2018-05-29 10:05  Detect\.idea\inspectionProfiles

     目录          0  2018-05-29 11:23  Detect\.idea

     目录          0  2018-11-07 16:55  Detect

----------- ---------  ---------- -----  ----

             23252405                    12