開發教程 |基于ModelArts的視頻全量目標分析和建模案例分析

項目介紹

本案例來自于第九屆中國軟件杯大賽A組賽題《視頻全量目標分析和建?！?。

項目場景

給出一段2分鐘的高清視頻，對視頻中出現的物體進行目標檢測和統計。視頻通過行車記錄儀采集，主要目標物為車輛，建筑，行人等。為了縮短模型推理時間，我們只使用了約30秒的視頻進行測試。

基本要求

識別不同類型的目標；輸出每種類型的圖片；統計每個類別的物體數量。下圖是一個參考示意圖。

時間限制

在30分鐘內完成推理結果。

算法構思

項目分析

一般對于圖像的目標進行檢測和統計，需要使用目標檢測技術；而對于項目所給出的視頻，考慮到前后圖像的關聯性，還需要使用目標跟蹤技術。

參考代碼

常用的目標檢測方法有YOLO系列、SSD、R-CNN等。

常用的目標跟蹤方法有SORT、 DeepSORT等。

本實例在YOLOv3和DeepSORT的基礎上進行了改進，代碼借鑒了Object-Detection-and-Tracking。

實際操作

注冊華為云賬號

進入華為云首頁，單擊頁面右上角的“注冊”。

設置手機號、短信驗證碼、賬號名、密碼并勾選“我已閱讀并同意《華為云用戶協議》和《隱私政策聲明》”，單擊“同意協議并注冊”。

實名認證

賬號注冊成功后，登錄華為云，單擊界面右上角“用戶名>實名認證”。賬號類型選“個人”，個人認證類型推薦使用“掃碼認證”（華為云app）。

服務授權

點此進入ModelArts 控制臺頁面，點擊左下角的“全劇配置”，選擇“訪問授權”，按下圖順序操作：

下載代碼、視頻

從OBS桶下載代碼、視頻，點擊下列鏈接即可下載。

test.ipynb

data_process.ipynb

code.tar

創建OBS桶

OBS大家可以簡單地理解成一個在線網盤，因為ModelArts本身目前沒有數據存儲的功能，所以需要從OBS里存儲我們上傳的數據進行訓練。

點擊進入華為云OBS控制臺，進入后點擊右上角的【創建桶】按鈕（這里的桶可以理解成OBS進行存儲的基本單位，所有的數據必須存儲在某個桶里）。

進入新建桶界面， 按照如下示例進行填寫：

區域：華北-北京四；數據冗余存儲策略：單AZ存儲；桶名稱：自定義，需要全局唯一，即在整個華為云上的名字唯一；其它選項保持默認即可。

使用OBS桶上傳代碼、視頻

在OBS首頁，找到我們剛剛新建的桶，并點擊桶名稱進入桶內容管理界面。

進入后，點擊左側“對象”按鈕，進入數據上傳界面，點擊“上傳對象“按鈕，彈出上傳對象框，我們直接用鼠標將前面下載好的壓縮包拖拽到到上傳對象框內。

在文件夾中有code.tar，test.ipynb文件和data_process.ipynb文件三個文件，只需要上傳code.tar即可。

創建開發環境

在ModelArts左側導航欄選擇“開發環境 > Notebook”，單擊頁面中“創建”。

在創建Notebook頁面填寫參數，可參考下圖填寫配置參數。

點擊右側的“打開”，打開 Notebook 環境。

上傳腳本文件

進入Notebook 環境后，點擊右側的“Upload”，從百度云下載好的data_process.ipynb和test.ipynb文件上傳。

運行data_process.ipynb文件

注意，要將第一個地址修改為你自己的OBS桶名稱。

對代碼文件進行解壓縮。

運行test.ipynb文件

我們需要切換到代碼文件夾下，通過test.ipynb文件執行主文件main.py。

將代碼運行所需要的依賴庫都寫到了requirements.txt文件里，可以一次性安裝完畢。

執行主文件main.py

算法入口定義在main.py文件中，只需要執行這一個文件，就可以完成視頻的目標檢測及跟蹤。

while True: # 從視頻中抽取一幀圖像 ret, frame = video_capture.read() # frame shape 640*480*33 if ret != True: break image = Image.fromarray(frame[...,::-1]) #bgr to rgb # 將抽取的圖像傳入YOLOv3進行目標檢測，得到目標框和類別。 boxs,class_names = yolo.detect_image(image) # 將抽取的圖像和目標檢測得到目標框傳入DeepSORT進行目標跟蹤。 features = encoder(frame, boxs) # 設置置信度為1.0 detections = [Detection(bbox, 1.0, feature, cl) for bbox, feature, cl in zip(boxs, features, class_names)] boxes = np.array([d.tlwh for d in detections]) scores = np.array([d.confidence for d in detections]) indices = preprocessing.non_max_suppression(boxes, nms_max_overlap, scores) detections = [detections[i] for i in indices] # 進行目標更新 tracker.predict() tracker.update(detections)

-i參數表示輸入視頻的路徑。

查看結果

將結果保存在output文件夾中，內容包括視頻、圖片和文本。

視頻outputVideo.avi可運行test.ipynb文件中的代碼查看，也可以到output文件夾下查看。

文本totalCount.txt截圖。

圖片imageSeg部分展示。

保存結果

運行data_process.ipynb文件中的代碼，記得修改第二個地址為自己的OBS桶地址。

結語

好了，上述步驟就是使用ModelArts進行深度學習的一個應用實例。

AI開發平臺ModelArts 視頻

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。