比起pycharm我更喜歡做為輕量級(jí)編程神器SubLime Text 3 ，果然名副其實(shí)！確實(shí)好用，要求也不高。

現(xiàn)在即將呈現(xiàn)SubLime Text 3完整使用手冊(cè)！

安裝Python，設(shè)置環(huán)境變量

首先需要安裝Python，訪問(wèn)地址https://python.org，下載Python，無(wú)腦點(diǎn)擊下一步安裝即可。

在CMS輸入命令python，如果進(jìn)入如圖則表明Python安裝成功：

如果沒(méi)有進(jìn)入Python IDE，添加環(huán)境變量：

這里以Windows 10為例，點(diǎn)擊：我的電腦屬性->高級(jí)系統(tǒng)設(shè)置->環(huán)境變量，點(diǎn)擊下方新建：

編輯后，點(diǎn)擊右上角新建，輸入Python得到路徑，最后點(diǎn)擊確定即可：

再點(diǎn)擊Use License 即可成功激活

配置Sublime Text 3 Python編譯系統(tǒng)

首先配置Python編譯模塊，讓編輯器能能解析Python代碼。

點(diǎn)擊Tools->Build System->New Build System

這時(shí)編譯系統(tǒng)就搞好了，在桌面創(chuàng)建py文件，使用Sublime text 3打開(kāi)，按Ctrl+b：

這樣就可以運(yùn)行Python代碼了，下一步進(jìn)行優(yōu)化。

導(dǎo)入、中文啥的都支持，跟Python自帶IDE一樣，唯一的區(qū)別就是這個(gè)看著很爽。

在文本編輯框隨意輸入，按F5：

Python開(kāi)發(fā)環(huán)境的搭建

一. 安裝python

1. 從python官網(wǎng)下載相應(yīng)版本的python安裝包,打開(kāi)百度,搜索python官網(wǎng),或者輸入python

官網(wǎng)地址https://python.org/

2. 點(diǎn)擊download選擇相應(yīng)的操作平臺(tái)

3. 下載完成后點(diǎn)擊安裝包并執(zhí)行,運(yùn)行出該界面

4. 這里安裝到c盤(pán)上,默認(rèn)安裝

此處為自定義安裝

選擇第一項(xiàng)是系統(tǒng)用戶(hù)下所有用戶(hù)可啟動(dòng)，Add Python 3.6 to PATH 是將安裝路徑添加到PATH環(huán)境變量中，方便直接運(yùn)行于系統(tǒng)各種環(huán)境中(如果有多個(gè)版本的Python或測(cè)試環(huán)境可不添加，需要添加可手動(dòng)添加，查找到安裝的地址并復(fù)制地址到以下操作，計(jì)算機(jī)——右鍵屬性——高級(jí)系統(tǒng)設(shè)置——環(huán)境變量——系統(tǒng)變量——選擇PATH——雙擊在變量值中添加——注意在最后添加并有“;”為隔斷符)。

我這里選擇自定義安裝，并全選安裝

開(kāi)始安裝過(guò)程，請(qǐng)耐心等待(所有的項(xiàng)目都選擇，根據(jù)網(wǎng)速?zèng)Q定安裝的速度)。如果有未選擇的選項(xiàng)，可直接點(diǎn)擊取消，重新開(kāi)始安裝過(guò)程。

安裝完成，開(kāi)啟Python之旅。

如何打開(kāi)命令行窗口

快捷方式：按住wins鍵 + R鍵 --> 輸入cmd指令 -->enter

開(kāi)始進(jìn)入Python的編程界面，輸入print("你好，Python!")。

本文所選的Python版本：

2.7.10，

3.4.4，

3.5.4，

3.6.1，和

3.7（我有beta 2）。

此外，這包括PyPy（5.6。）和PyPy3（5.4.10）。

呈現(xiàn)HTML模板

該django_html測(cè)試將使用Django模板渲染引擎，以建立一個(gè)150×150的HTML表格。它利用了Django引擎的內(nèi)容和模板類(lèi)。

Python 3.7的速度比Python 2.7快1.19倍，但是它是唯一一個(gè)能夠擊敗我運(yùn)行的Python 2.7基準(zhǔn)的Python 3.x版本。speed.python.org基準(zhǔn)測(cè)試顯示類(lèi)似的結(jié)果。

PyPy可以摧毀任何CPython結(jié)果，但PyPy3會(huì)比PyPy慢兩倍。值得注意的是Django最近決定在Django 2.0及更高版本中放棄對(duì)Python 2的支持，這意味著PyPy將不再與Django 2兼容。

啟動(dòng)時(shí)間

該測(cè)試只是測(cè)試解釋器啟動(dòng)所花費(fèi)的時(shí)間。如果您通過(guò)運(yùn)行多個(gè)進(jìn)程來(lái)解決Python的“GIL”約束，那么這將非常重要。

Cryptography: crypto_paes

在這個(gè)測(cè)試中，你會(huì)看到Python 2和3之間的速度明顯下降。為什么？加密需要大量的數(shù)字運(yùn)算，Python 3不再具有32位整數(shù)類(lèi)型，只有一個(gè)（非常）長(zhǎng)整數(shù)。

PyPy用戶(hù) - 您會(huì)注意到PyPy3 比PyPy 慢5倍！

n-queens：算法測(cè)試

在CPython系列中，3.7 又一次出現(xiàn)，但值得注意的是PyPy和PyPy3的結(jié)果非常相似。

浮點(diǎn)運(yùn)算

“浮動(dòng)”的基準(zhǔn)是一種人為的，浮點(diǎn)運(yùn)算繁重的應(yīng)用程序，將創(chuàng)建計(jì)算10萬(wàn)點(diǎn)的對(duì)象math.cos()，math.sin()和math.sqrt() 。

這是PyPy的完美應(yīng)用，大量的數(shù)據(jù)處理，可預(yù)測(cè)的類(lèi)型和方法以及循環(huán)。Python 3.7具有新的快速方法調(diào)用操作碼，該操作碼正在此測(cè)試中使用。

常用表達(dá)

在正則表達(dá)式測(cè)試中，“網(wǎng)絡(luò)上最流行的網(wǎng)頁(yè)有50個(gè)，并記錄了所有正則表達(dá)式操作。每個(gè)操作都有一個(gè)權(quán)重，它是根據(jù)頁(yè)面出現(xiàn)的熱門(mén)程度以及加載每個(gè)頁(yè)面時(shí)執(zhí)行的次數(shù)來(lái)估算的。最后，使用ROT13對(duì)數(shù)據(jù)中的字母進(jìn)行編碼，這樣不會(huì)影響正則表達(dá)式匹配其輸入的方式?！?/p>

那么Python 3比Python 2更快嗎？

是! 在幾乎所有的測(cè)試中。值得注意的例外是crypto_paes測(cè)試，Python 3的速度慢了1.35倍（因?yàn)檎麛?shù)類(lèi)型），python_startup的速度慢了1.39倍。

緩慢的Python 3啟動(dòng)是核心CPython團(tuán)隊(duì)正在為3.8,3.9版本開(kāi)發(fā)的問(wèn)題之一。

除了這兩項(xiàng)測(cè)試外，Python 3在這些基準(zhǔn)測(cè)試中的速度大約快1.2-1.3倍。今年晚些時(shí)候，你會(huì)看到升級(jí)到Python 3.7的改進(jìn)。

為什么PyPy要快得多，為什么不是每個(gè)人都使用它呢？

PyPy比CPython快，因?yàn)樗哂屑磿r(shí)編譯器。JIT編譯器具有很大的好處，因?yàn)樗鼈冊(cè)趫?zhí)行可預(yù)測(cè)的重復(fù)性任務(wù)時(shí)非常高效?；鶞?zhǔn)的其中一個(gè)特點(diǎn)是，您嘗試多次運(yùn)行同一段代碼以使其準(zhǔn)確無(wú)誤，推送應(yīng)用程序并減少錯(cuò)誤邊界。正如PyPy照耀這些測(cè)試。

JIT編譯器，尤其是PyPy的缺點(diǎn)是啟動(dòng)成本高。另一個(gè)缺點(diǎn)是許多C-Extensions缺乏兼容性。因?yàn)椤癙ython”（CPython，官方的PSF Python）是用C語(yǔ)言編寫(xiě)的，PyPi上的許多第三方擴(kuò)展利用了這一點(diǎn)。Numpy就是一個(gè)很好的例子，Numpy的大部分都是用優(yōu)化的C代碼編寫(xiě)的。當(dāng)你pip install numpy使用本地C編譯器并為你的Python運(yùn)行時(shí)建立一個(gè)二進(jìn)制庫(kù)來(lái)使用。

由于PyPy是用Python編寫(xiě)的，很多模塊根本無(wú)法在PyPy中工作。

此外，PyPy也遭遇了與CPython相同的挑戰(zhàn) - 從語(yǔ)言版本2轉(zhuǎn)移到版本3. PyPy3直到最近我發(fā)現(xiàn)它仍然不穩(wěn)定，在基準(zhǔn)測(cè)試中，您仍然可以看到與PyPy的奇怪不一致。我還遇到了一些軟件包問(wèn)題（例如PyTest），他們放棄了對(duì)PyPy3的支持，但他們解決了問(wèn)題。

正文

然后進(jìn)入注冊(cè)頁(yè)面

接著通過(guò)了人機(jī)認(rèn)證以后，就會(huì)對(duì)你的手機(jī)號(hào)碼進(jìn)行認(rèn)證，這個(gè)就不發(fā)圖片了。

4. 進(jìn)入console

注冊(cè)好了以后，就可以進(jìn)入我們自己的面板了

5. 寫(xiě)代碼

根據(jù)文檔的內(nèi)容，我們編寫(xiě)了下面的代碼：

然后執(zhí)行程序，你應(yīng)該會(huì)碰到下面的錯(cuò)誤

可以從報(bào)錯(cuò)信息中明顯的看到，提示我們說(shuō)這個(gè)號(hào)碼沒(méi)有驗(yàn)證，我們可以到驗(yàn)證的網(wǎng)址上驗(yàn)證一下，也可以購(gòu)買(mǎi)一個(gè)高級(jí)別的賬號(hào)來(lái)給未驗(yàn)證的號(hào)碼發(fā)送信息。

可以看到我們的用量以及花費(fèi)，這個(gè)花費(fèi)是不需要我們真正的付錢(qián)的，官方的解釋是：

9.打電話

打電話的代碼也很簡(jiǎn)單

謝謝閱讀?。?！

想學(xué)習(xí)Python的人都會(huì)有一個(gè)困惑，那就是Python目前有兩個(gè)版本Python2和Python3，Python2與Python3有何區(qū)別，兩個(gè)版本該學(xué)習(xí)哪個(gè)呢？

python3 和 python2 是不兼容的，而且差異比較大，python3是不向下兼容的，但是絕大多數(shù)組件和擴(kuò)展都是基于python2的。目前實(shí)際應(yīng)用中大部分暫不考慮 Python3，有的時(shí)候注意寫(xiě)兼容 2/3 的代碼。用 Python2 為主的寫(xiě)新代碼時(shí)要考慮以后遷移到 Python3 的可能性。據(jù)數(shù)據(jù)統(tǒng)計(jì)顯示目前10% 使用 Python 3；20% 既使用Python 2也使用Python 3，Python 2用的更多；70% 使用Python 2。

其實(shí)python是linux上最常用的軟件之一，但是linux目前的版本大部分還是使用python2的，而且，在linux上依賴(lài)python2的程序更多一些，所以 Python3 要代替 python2 成為主流還需要幾年的時(shí)間。如果為了找工作還是學(xué)Python 2，學(xué)會(huì)了Python 2，由Python 2轉(zhuǎn)到python3也不難。

說(shuō)了半天，Python2與Python3到底有何區(qū)別呢？

1.性能

Py3.0運(yùn)行 pystone benchmark的速度比Py2.5慢30%。Guido認(rèn)為Py3.0有極大的優(yōu)化空間，在字符串和整形操作上可以取得很好的優(yōu)化結(jié)果。

Py3.1性能比Py2.5慢15%，還有很大的提升空間。

2.編碼

Py3.X源碼文件默認(rèn)使用utf-8編碼

3. 語(yǔ)法

1）去除了<>，全部改用!=

2）去除``，全部改用repr()

3）關(guān)鍵詞加入as 和with，還有True,False,None

4）整型除法返回浮點(diǎn)數(shù)，要得到整型結(jié)果，請(qǐng)使用//

5）加入nonlocal語(yǔ)句。使用noclocal x可以直接指派外圍（非全局）變量

6）去除print語(yǔ)句，加入print()函數(shù)實(shí)現(xiàn)相同的功能。同樣的還有 exec語(yǔ)句，已經(jīng)改為exec()函數(shù)

7）改變了順序操作符的行為，例如x

8）輸入函數(shù)改變了，刪除了raw_input，用input代替：

9）去除元組參數(shù)解包。不能def(a, (b, c)):pass這樣定義函數(shù)了

10）新式的8進(jìn)制字變量，相應(yīng)地修改了oct()函數(shù)。

11）增加了 2進(jìn)制字面量和bin()函數(shù)

12）擴(kuò)展的可迭代解包。在Py3.X 里，a, b, *rest = seq和 *rest, a = seq都是合法的，只要求兩點(diǎn)：rest是list 對(duì)象和seq是可迭代的。

13）新的super()，可以不再給super()傳參數(shù)，

14）新的metaclass語(yǔ)法：

15）支持class decorator。

4. 字符串和字節(jié)串

1）現(xiàn)在字符串只有str一種類(lèi)型，但它跟2.x版本的unicode幾乎一樣。

2）關(guān)于字節(jié)串，請(qǐng)參閱“數(shù)據(jù)類(lèi)型”的第2條目

5.數(shù)據(jù)類(lèi)型

1）Py3.X去除了long類(lèi)型，現(xiàn)在只有一種整型——int，但它的行為就像2.X版本的long

2）新增了bytes類(lèi)型

6.面向?qū)ο?/p>

1）引入抽象基類(lèi)（Abstraact Base Classes，ABCs）。

2）容器類(lèi)和迭代器類(lèi)被ABCs化，所以cellections模塊里的類(lèi)型比Py2.5多了很多。

3）迭代器的next()方法改名為_(kāi)_next__()，并增加內(nèi)置函數(shù)next()，用以調(diào)用迭代器的

4）增加了@abstractmethod和 @abstractproperty兩個(gè) decorator，編寫(xiě)抽象方法（屬性）更加方便。

7.異常

1）所以異常都從 BaseException繼承，并刪除了StardardError

2）去除了異常類(lèi)的序列行為和.message屬性

3）用 raise Exception(args)代替 raise Exception, args語(yǔ)法

4）捕獲異常的語(yǔ)法改變，引入了as關(guān)鍵字來(lái)標(biāo)識(shí)異常實(shí)例

5）異常鏈，因?yàn)開(kāi)_context__在3.0a1版本中沒(méi)有實(shí)現(xiàn)

8.模塊變動(dòng)1）移除了cPickle模塊，可以使用pickle模塊代替。最終我們將會(huì)有一個(gè)透明高效的模塊。

2）移除了imageop模塊

3）移除了 audiodev, Bastion, bsddb185, exceptions, linuxaudiodev, md5, imeWriter, mimify, popen2, rexec, sets, sha, stringold, strop, sunaudiodev, timing和xmllib模塊

4）移除了bsddb模塊(單獨(dú)發(fā)布，可以從Python "bindings" for Oracle Berkeley DB獲取)

5）移除了new模塊

6）os.tmpnam()和os.tmpfile()函數(shù)被移動(dòng)到tmpfile模塊下

7）tokenize模塊現(xiàn)在使用bytes工作。主要的入口點(diǎn)不再是generate_tokens，而是 tokenize.tokenize()

9.其它 1）xrange() 改名為range()，要想使用range()獲得一個(gè)list，必須顯式調(diào)用

2）bytes對(duì)象不能hash，也不支持 b.lower()、b.strip()和b.split()方法

3）zip()、map()和filter()都返回迭代器。

4）string.letters和相關(guān)的.lowercase和.uppercase被去除，請(qǐng)改用string.ascii_letters 等

5）如果x< y的不能比較，拋出TypeError異常

6）__getslice__系列成員被廢棄。

7）file類(lèi)被廢棄

大數(shù)據(jù)文摘出品

編譯：朱一輝、雪清、小魚(yú)

短短10行代碼就可以實(shí)現(xiàn)目標(biāo)檢測(cè)？！

本文作者和他的團(tuán)隊(duì)構(gòu)建了一個(gè)名為ImageAI 的Python庫(kù)，集成了現(xiàn)今流行的深度學(xué)習(xí)框架和計(jì)算機(jī)視覺(jué)庫(kù)。本文將手把手教你構(gòu)建自己的第一個(gè)目標(biāo)檢測(cè)應(yīng)用，而且文摘菌已經(jīng)幫你踩過(guò)坑了，親測(cè)有效！

無(wú)人超市、人臉識(shí)別、無(wú)人駕駛，眾多的使用場(chǎng)景及案例，使得【目標(biāo)檢測(cè)】正成為計(jì)算機(jī)視覺(jué)最有前景的方向。

聽(tīng)起來(lái)似乎是個(gè)很難實(shí)現(xiàn)的技術(shù)，需要大量訓(xùn)練數(shù)據(jù)和算法才能完成。事實(shí)上，本文作者開(kāi)發(fā)了一個(gè)基于Python的函數(shù)庫(kù)，可以用十行代碼高效實(shí)現(xiàn)目標(biāo)檢測(cè)。

還不熟悉的讀者，我們先來(lái)看看，目標(biāo)檢測(cè)到底是什么，以及軟件開(kāi)發(fā)人員面臨的挑戰(zhàn)。

目標(biāo)檢測(cè)是借助于計(jì)算機(jī)和軟件系統(tǒng)在圖像/場(chǎng)景中，定位目標(biāo)并識(shí)別出每個(gè)目標(biāo)的類(lèi)別的技術(shù)。目前已廣泛用于人臉檢測(cè)、車(chē)輛檢測(cè)、行人計(jì)數(shù)、網(wǎng)絡(luò)圖像、安全系統(tǒng)和無(wú)人駕駛汽車(chē)等領(lǐng)域。隨著計(jì)算機(jī)技術(shù)不斷發(fā)展和軟件開(kāi)發(fā)人員的不懈努力，未來(lái)目標(biāo)檢測(cè)技術(shù)將更廣泛的普及開(kāi)來(lái)。

在應(yīng)用程序和系統(tǒng)中使用先進(jìn)的目標(biāo)檢測(cè)方法，以及基于這些方法構(gòu)建新的應(yīng)用程序并不容易。早期目標(biāo)檢測(cè)是基于經(jīng)典算法而實(shí)現(xiàn)的，如 OpenCV（廣受歡迎的計(jì)算機(jī)視覺(jué)庫(kù)）所支持的一些算法。然而，這些經(jīng)典算法的性能會(huì)因條件而受到限制。

2012年，深度學(xué)習(xí)領(lǐng)域取得眾多突破，學(xué)者們提出了一系列全新、高精度的目標(biāo)檢測(cè)算法和方法，比如R-CNN, Fast-RCNN, Faster-RCNN, RetinaNet，以及既快又準(zhǔn)的SSD和YOLO等。要使用這些基于深度學(xué)習(xí)的方法和算法（當(dāng)然深度學(xué)習(xí)也是基于機(jī)器學(xué)習(xí)），需要對(duì)數(shù)學(xué)和深度學(xué)習(xí)框架有很深的理解。數(shù)百萬(wàn)的軟件開(kāi)發(fā)人員致力于整合目標(biāo)檢測(cè)技術(shù)進(jìn)行新產(chǎn)品的開(kāi)發(fā)。但是想要理解這項(xiàng)技術(shù)并加以使用，對(duì)非深度學(xué)習(xí)領(lǐng)域的程序員來(lái)說(shuō)并不容易。

一位自學(xué)了計(jì)算機(jī)的開(kāi)發(fā)者M(jìn)oses Olafenwa在幾個(gè)月前意識(shí)到了這個(gè)問(wèn)題，并與同伴一起開(kāi)發(fā)了一個(gè)名叫ImageAI的Python函數(shù)庫(kù)。

ImageAI可以讓程序員和軟件開(kāi)發(fā)者只用幾行代碼，就能輕易地把最先進(jìn)的計(jì)算機(jī)視覺(jué)技術(shù)整合到他們現(xiàn)有的以及新的應(yīng)用程序里面。

用ImageAI實(shí)現(xiàn)目標(biāo)檢測(cè)，你只需要以下步驟：

1. 安裝Python

2. 安裝ImageAI和相關(guān)函數(shù)庫(kù)

3. 下載目標(biāo)檢測(cè)模型文件

4. 運(yùn)行示例代碼（只有10行）

準(zhǔn)備工作

文摘菌測(cè)試環(huán)境為Windows 64位系統(tǒng)，Python版本為3.6。關(guān)注大數(shù)據(jù)文摘微信公眾號(hào)，在后臺(tái)回復(fù)“檢測(cè)”可獲取代碼和模型文件~

1) 從Python官網(wǎng)下載并安裝Python 3，并安裝pip。

下載地址：

https://python.org

https://pip.pypa.io/en/stable/installing/

2）用pip安裝下列依賴(lài)

找到Pyhthon安裝目錄下的Scripts文件夾，如C:\XXX \Python\Python36\Scripts，打開(kāi)cmd命令窗口，依次輸入下列安裝命令即可。

1. Tensorflow：

pip install tensorflow

2.Numpy：

pip install numpy

3.SciPy

pip install scipy

4.OpenCV

pip install opencv-python

5.Pillow

pip install pillow

6.Matplotlib

pip install matplotlib

7. H5py

pip install h5py

8. Keras

pip install keras

9. ImageAI

pip install https://github/OlafenwaMoses/ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl

注：在安裝ImageAI時(shí)如果出現(xiàn)異常，可先下載.whl文件，并放在Scripts文件夾下，用下列命令進(jìn)行安裝：

pip install imageai-2.0.1-py3-none-any.whl

3) 下載用于目標(biāo)檢測(cè)的RetinaNet模型文件：

下載地址：

https://github/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5

準(zhǔn)備工作到此結(jié)束，你可以寫(xiě)自己的第一個(gè)目標(biāo)檢測(cè)代碼了。新建一個(gè)Python文件并命名（如FirstDetection.py），然后將下述代碼寫(xiě)入此文件。接著將RetinaNet模型文件、FirstDetection.py和你想檢測(cè)的圖片放在同一路徑下，并將圖片命名為“image.jpg”。

下面是FirstDetection.py中的10行代碼：

from imageai.Detection import ObjectDetectionimport osexecution_path = os.getcwd()detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))for eachObject in detections:print(eachObject["name"] + " : " + eachObject["percentage_probability"] )

然后，雙擊FirstDetection.py運(yùn)行代碼，并稍等片刻，識(shí)別結(jié)果就會(huì)在控制臺(tái)打印出來(lái)。一旦結(jié)果在控制臺(tái)輸出，在包含F(xiàn)irstDetection.py的文件夾里，你會(huì)發(fā)現(xiàn)一張新保存的圖片，文件名為“imagenew.jpg”。

注：如果運(yùn)行代碼時(shí)出現(xiàn)下列異常：

則需要安裝Numpy+MKL依賴(lài)，下載對(duì)應(yīng)的.whl文件并放在Scripts文件夾下，用pip安裝.whl文件即可。

下載地址：

https://lfd.uci.edu/~gohlke/pythonlibs/#numpy

檢測(cè)結(jié)果

來(lái)看看下面這2張示例圖片以及經(jīng)過(guò)檢測(cè)后保存的新圖片。

檢測(cè)前：

檢測(cè)后：

檢測(cè)結(jié)果：

person : 55.8402955532074

person : 53.21805477142334

person : 69.25139427185059

person : 76.41745209693909

bicycle : 80.30363917350769

person : 83.58567953109741

person : 89.06581997871399

truck : 63.10953497886658

person : 69.82483863830566

person : 77.11606621742249

bus : 98.00949096679688

truck : 84.02870297431946

car : 71.98476791381836

檢測(cè)結(jié)果：

person : 71.10445499420166

person : 59.28672552108765

person : 59.61582064628601

person : 75.86382627487183

motorcycle : 60.1050078868866

bus : 99.39600229263306

car : 74.05484318733215

person : 67.31776595115662

person : 63.53200078010559

person : 78.2265305519104

person : 62.880998849868774

person : 72.93365597724915

person : 60.01397967338562

person : 81.05944991111755

motorcycle : 50.591760873794556

motorcycle : 58.719027042388916

person : 71.69321775436401

bicycle : 91.86570048332214

motorcycle : 85.38855314254761

文摘菌測(cè)試了另外幾張圖片，結(jié)果如下：

檢測(cè)前：

檢測(cè)后：

檢測(cè)結(jié)果：

car : 59.04694199562073

car : 50.62631368637085

car : 71.59191966056824

car : 52.60368585586548

person : 76.51243805885315

car : 56.73831105232239

car : 50.02853870391846

car : 94.18612122535706

car : 70.23521065711975

car : 75.06842017173767

car : 87.21032738685608

car : 89.46954607963562

person : 73.89532923698425

bicycle : 90.31689763069153

bus : 65.3587281703949

竟然可以檢測(cè)出牛……

檢測(cè)結(jié)果：

person : 55.15214800834656

person : 62.79672980308533

person : 69.01599168777466

person : 67.26776957511902

person : 75.51649808883667

person : 52.9820442199707

person : 67.23594665527344

person : 69.77047920227051

person : 83.80664587020874

person : 61.785924434661865

person : 82.354336977005

person : 93.08169484138489

cow : 84.69656705856323

檢測(cè)結(jié)果：

person : 65.07909297943115

person : 65.68368077278137

person : 68.6377465724945

person : 83.80006551742554

person : 85.69389581680298

person : 55.40691018104553

person : 56.62997364997864

person : 58.07020664215088

person : 70.90385556221008

person : 95.06895542144775

代碼解釋

下面我們來(lái)解釋一下這10行代碼的含義。

from imageai.Detection import ObjectDetectionimport osexecution_path = os.getcwd()

上面3行代碼中，第一行導(dǎo)入ImageAI的目標(biāo)檢測(cè)類(lèi)，第二行導(dǎo)入Python的os類(lèi)，第三行定義一個(gè)變量，用來(lái)保存Python文件、RetianNet模型文件和圖片所在文件夾的路徑。

detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))

上面5行代碼中，第一行定義目標(biāo)檢測(cè)類(lèi)，第二行將模型類(lèi)型設(shè)置為RetinaNet，第三行將模型的路徑設(shè)為RetinaNet模型文件所在路徑，第四行將模型載入目標(biāo)檢測(cè)類(lèi)，然后第五行調(diào)用檢測(cè)函數(shù)，并解析輸入圖片和輸出圖片的路徑。

for eachObject in detections:print(eachObject["name"] + " : " + eachObject["percentage_probability"] )

上面2行代碼中，第一行迭代所有detector.detectObjectsFromImage函數(shù)返回的結(jié)果，然后，第二行打印出模型檢測(cè)出的圖片中每個(gè)目標(biāo)的類(lèi)型和概率。

ImageAI還支持配置目標(biāo)檢測(cè)過(guò)程中的其他功能。例如，將檢測(cè)到的每個(gè)目標(biāo)的圖片單獨(dú)提取出來(lái)。通過(guò)簡(jiǎn)單地把extract_detected_objects=True寫(xiě)入detectObjectsFromImage函數(shù)，目標(biāo)檢測(cè)類(lèi)就會(huì)為圖片對(duì)象集新建一個(gè)文件夾，然后提取出每個(gè)圖片，將它們存入這個(gè)文件夾，并返回一個(gè)數(shù)組用來(lái)保存每個(gè)圖片的路徑，如下所示：

detections, extracted_images = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"), extract_detected_objects=True)

我們用第一個(gè)示例圖片提取出來(lái)的檢測(cè)結(jié)果如圖所示：

參數(shù)配置

為了滿足目標(biāo)檢測(cè)的生產(chǎn)需求，ImageAI提供了一些可配置的參數(shù)，包括：

Adjusting Minimum Probability（可調(diào)整最小概率閾值）

默認(rèn)閾值為50%，如果檢測(cè)結(jié)果的概率值低于50%，則不顯示檢測(cè)結(jié)果。你可以根據(jù)具體需求對(duì)該閾值進(jìn)行修改。

Custom Objects Detection（自定義目標(biāo)檢測(cè)）

使用提供的CustomObject類(lèi)，你可以讓檢測(cè)結(jié)果只顯示特定類(lèi)型的目標(biāo)。

Detection Speeds（檢測(cè)速度）

可以將檢測(cè)速度設(shè)置為“fast”、“ faster”和“fastest”，以減少檢測(cè)圖片所需的時(shí)間。

Input Types（輸入類(lèi)型）

你可以解析并修改圖像的文件路徑，其中，Numpy數(shù)組，或是圖片文件流都可以作為輸入類(lèi)型。

Output Types（輸出類(lèi)型）

你可以修改detectObjectsFromImage 函數(shù)的返回結(jié)果，例如返回圖片文件或Numpy數(shù)組。

詳細(xì)的說(shuō)明文檔在GitHub上，GitHub鏈接：

https://github/OlafenwaMoses/ImageAI

關(guān)注大數(shù)據(jù)文摘微信公眾號(hào)，在后臺(tái)回復(fù)“檢測(cè)”可獲取代碼和模型文件~

動(dòng)手試試吧，歡迎在留言區(qū)分享~