物体检测 API 包含了高度依赖 Inception 的卷积神经网络和简化模型，这些模型可以运行在大略的机器上。
比如，MobileNets 单次检测器经由优化，能够以实时的办法运行在智好手机上。

一文带你掌握谷歌的目标检测与识别API附实际测试效果_模子_物体 云服务

早前，Google 发布了轻量级的 MobileNets 打算机视觉模型家族，这些模型可以用于实行各种任务，如物体检测、面部识别和地标识别。

准备好了吗？

这些代码在谷歌的打算机视觉运用中非常有用，谷歌希望本次开源能够将这份便利带给所有人。
谷歌同时也欢迎更多贡献者参与进来。
现在，你可以***代码，利用 Jupyter notebook 考试测验在图片中识别物体，也可以开始在 Cloud ML 引擎中演习你自己的识别器了。

代码：tensorflow/models

Jupyter notebook：tensorflow/models

Cloud ML：https://cloud.google.com/blog/big-data/2017/06/training-an-object-detector-using-cloud-machine-learning-engine

https://github.com/priya-dwivedi/Deep-Learning/blob/master/Object_Detection_Tensorflow_API.ipynb

其检测结果如下：

物体检测

API概述

采取Google前沿的TensorFlow开源框架实现物体分类检测;目前已达到60多个物体分类检测之多，个中包括人形、动物、车辆检测识别等，乃至可识别各种标志检测。
总结了一下，大概有：

COCO数据集的一些物体种类

这个API供应了5种不同的模型。

个中包含一个可演习性检测模型的凑集，包括：

带有 MobileNets 的 SSD（Single Shot Multibox Detector）

带有 Inception V2 的 SSD

带有 Resnet 101 的 R-FCN（Region-Based Fully Convolutional Networks）

带有 Resnet 101 的 Faster RCNN

带有 Inception Resnet v2 的 Faster RCNN

上述每一个模型的冻结权重（在 COCO 数据集上演习）可被用于开箱即用推理。

一个 Jupyter notebook 可通过我们的模型之一实行开箱即用的推理

借助谷歌云实现便捷确当地演习脚本以及分布式演习和评估管道

想要理解更多跟模型有关的知识

https://github.com/tensorflow/models/blob/477ed41e7e4e8a8443bc633846eb01e2182dc68a/object_detection/g3doc/detection_model_zoo.md

实际速率测试

利用最轻量级的模型（ssd_mobilenet）。
紧张步骤如下：

1. ***一个打包模型(.pb-protobuf)并把它载入缓存

2. 利用内置的赞助代码来载入标签，种别，可视化工具等等。

3. 建立一个新的会话，在图片上运行模型。

总体来说步骤非常大略。
而且这个API文档还供应了一些能运行这些紧张步骤的Jupyter文档——

https://github.com/tensorflow/models/blob/master/object_detection/object_detection_tutorial.ipynb

这个模型在实例图像上表现得相称出色（如下图）：

人与鹞子

***上测试

接下来我打算在***上考试测验这个API。
我利用了Python moviepy库，紧张步骤如下：

首先，利用VideoFileClip函数从***中提取图像；

然后利用fl_image函数在***中提取图像，并在上面运用物体识别API。
fl_image是一个很有用的函数，可以提取图像并把它更换为修正后的图像。
通过这个函数就可以实现在每个***上提取图像并运用物体识别；

末了，把所有处理过的图像片段合并成一个新***。

对付3-4秒的片段，这个程序须要花费大概1分钟的韶光来运行。
但鉴于我们利用的是一个载入缓存的模型，而且没有利用GPU，我们实现的效果还是很惊艳的！
很难相信只用这么一点代码，就可以以很高的准确率检测并且在很多常见物体上画出边界框。

当然，我们还是能看到有一些表现有待提升。
比如下面的例子。
这个***里的鸟完备没有被检测出来。

原版***与检测识别后***比拟

连续探索

几个进一步探索这个API的想法：

考试测验一些准确率更高但本钱也更高的模型，看看他们有什么不同；

探求加速这个API的方法，这样它就可以被用于车载装置上进行实时物体检测；

谷歌也供应了一些技能来运用这些模型进行通报学习。
例如，载入打包模型后添加一个带有不同图像类别的输出层。

参考文献

Google Tensorflow Object Detection Github

COCO dataset

知乎：何之源对付“谷歌开放的TensorFlow Object Detection API 效果如何？”的回答

机器之心：如何利用TensorFlow API构建***物体识别系统