在 TensorFlow 众多功能和工具中，有一个名为 TensorFlow 目标检测 API 的组件。这个库的功能正如它的名字，是用来训练神经网络检测视频帧中目标的能力，比如，一副图像。
需要查看我之前的工作的话，点击这里，我解释了在安卓设备上采用 TensorFlow 识别皮卡丘的整个过程。此外，我也介绍了这个库和它的不同架构及其各自特点，以及演示如何使用 TensorBoard 评估训练过程。
数月之后，我开始着手优化我之前训练的检测比卡丘的模型，目的是直接使用 Python、OpenCV、以及 TensorFlow 来检测视频中的目标。源代码可以从我的 GitHub 中获取。
比卡丘
这篇文章就是解释我所使用的步骤。首先，我会描述我在最初的模型中发现的问题，以及我是如何优化的。然后，我会讲解如何使用这个新的经过优化的模型，我组建了一个视频检测系统。最后，你将会看到两段检测多个比卡丘的视频。
但开始之前，这里有一个简短的 gif，显示了一些快速检测。
比卡丘被检测到
这就是比卡丘
模型优化
如上面所述，在以前的工作中，我对比卡丘检测模型做了初始的训练，这个模型的目的是在安卓设备或 Python notebook 上进行皮卡丘检测。然而，我对这个模型的性能并不安全满意，这促使我优化这个系统，因此，写下了这篇文章。
我当时主要关心的是用于构建这个系统的比卡丘数量，230 个。其中 70% 用于训练，而剩余 30% 用于测试。所以，用于训练的数量不多，虽然这在技术上不是问题（因为模型是在执行「okayish」），但我在训练集里增加了 70 张图片（总数依然不是很多，不过总比没有要好）。
结果是，由于我现在拥有更多的图片，我不得不扩展这个模型的训练，而不是从零开始。我使用了早期模型的训练检查点，然后从检查点开始继续进行；前者训练了 15000 次，而新的则训练了 20000 次。下面两幅图表显示了总体的损失和精度 (从 TensorBoard 中获得）；很明显，从 15000 次到 20000 次没有太多改变（特别是在损失方面）。
损失
精度
我做的最后一个（也是小的）修正是修改了 Android 应用的检测阈值。默认值是 0.6，增加到 0.85。
这个优化改变了什么吗? 即使将我的确认偏差放在一边，我也会说，是的。我注意到了一个细小的优化。我注意到的最大变化是，Android 应用中误报的数量有所减少，因为那些物体看起来像黄色的斑点；当然，这可能也是因为阈值增加了。
现在，使用最新的和优化后的模型，在视频中检测比卡丘。继续之前，我需要说明，我将忽略模型冻结和导入的整个过程，因为我之前的工作中已做了解答。
从视频中检测
从视频中进行目标检测并不像听到的那么困难或奇特。从外行角度，我们可以讲视频是一组按顺序排列的图像，所以从视频中进行目标检测和在正常图像中进行检测是非常相似的。为什么非常相似？好吧，由于视频的性质，在将视频输入检测模型之前，视频帧的处理和准备需要多个步骤。我将在下面的章节中将对此做出解释，另外在解释下检测过程，以及如何创建一个新的视频来显示它们。
我的大部分代码都是基于 TensorFlow 目标检测 repo 提供的 Python notebook 实现的。这些代码完成了大部分困难的工作，因为它包括很多功能，可以简化检测过程。我建议你可以看下我的 Script，并作为你阅读下面这几个段落的指导。
从高层视角看，这段代码包括三个主要任务：
加载资源
首先，必须加载冻结的模型、数据标签和视频。为简单起见，我推荐了一个简短、中等大小的视频，因为处理完整部电影需要很多时间。
遍历视频
这个脚本的主要功能是基于一个循环，遍历视频的每一帧。每次遍历过程中，读取帧，并改变其色彩空间。接着，执行实际检测过程，就是寻找所有那些漂亮的黄色皮卡丘。结果是，返回皮卡丘所在位置的边界坐标（如果找到的话）和检测结果的置信度。随后，只要置信度高于给定的阈值，将会创建一个视频帧的副本，其中包含了皮卡丘位置的边界框。对于这个项目，我设置的置信度阈值非常低，20%，因为我发现检测误报数很低，所以决定冒性能的风险来检测到更多的皮卡丘。
创建新的视频
在前面的步骤中，使用新创建的帧副本重新组成一个新的视频，这些帧携带了检测的边界框。为创建这个视频，需要用到 VideoWriter 对象，每次遍历时，帧的副本都会被写入这个对象（不含声音）。
结果和讨论
这两个视频显示了模型的运行过程：
第一个视频的检测非常好。尽管皮卡丘在整个视频中一直举着番茄酱瓶子，在大多数场景中这个模型都能探测到。另一方面，在时间 0:22 时有一个没有被检测到，此外，「大镰刀」（绿螳螂的样子）打碎了番茄酱瓶的镜头（0:40 到 0:44）是误报。
在第二个视频上，这个模型的性能并没有在第一个视频上表现的那么好，主要问题是视频中出现了两个皮卡丘的场景。这种情况下，模型貌似将两个皮卡丘作为一个来检测，而不是分别检测。一个明显的例子是在 0:13 的时候，两个皮卡丘在互相拍打 (悲伤的场景 :(，我知道)。
总结与回顾
在这篇文章中，我介绍了如何使用 TensorFlow 目标检测库在视频中检测比卡丘。文章开头，介绍了一些我之前的工作，使用模型的早期版本在安卓设备上进行目标检测。至于模型，尽管它做了该做的工作，但也有一些我想要解决的问题；这些优化使我完成了这个项目并建立了一个用于视频的检测模型。
新的模型如预想的那样工作。当然，或多或少也有一些不足之处，导致误判，或者没有检测到比卡丘，但模型还是完成了它应该做的工作。作为以后的工作方向，我会为训练集合增加更多不同角度的比卡丘图像。例如，侧视和后视图像，增加数据的多样性，以获得优异的性能。
感谢阅读。我希望这篇指导文章对你能有所帮助。
原文发布时间为：2018-06-5
