Environment

• Tensorflow 1.9.0

• OpenCV 3.4.2

• Numpy 1.15.4

• Cuda 9.0

• Anaconda 5.1.0 / Python 3.6.4

• Protobuf 3.6.1

• Google's TensorFlow Object Detection API

项目说明

1. 是对一篇行人检测博客的实现How to Automate Surveillance Easily with Deep Learning

2. 基于谷歌目标检测API ：Google's TensorFlow Object Detection API

3. 使用ssd_mobilenet_v1_coco作为预训练模型

4. 数据集：Town Centre Dataset

5. 训练使用显卡RTX 2080 Ti，GPU加速训练 ，训练步数：50000

文件说明

• object_detection、slim、utils.py：谷歌目标检测API及其依赖文件

• extract_GT.py：将数据的标注由csv格式转为xml格式

• extract_towncentre.py：从视频中提取训练和测试数据，其中前3600帧为训练集，后900帧为测试集

• creat_tf_record.py：将提取的图片和标注转换为tf_record格式

• pedestrian_detection：训练完成后，导出的模型

• test_data：900张测试图片及其标签，以及原始视频的后2500帧，用于实时检测应用

• test_image.jpg：用于计算单张图片的测试时间的图片

• image_object_detection.py：检测单张图片，并输出检测时间

• real_time_detection.py：用于实时检测，视频流可以选择摄像头或者本地视频文件

如何使用

python real_time_detection.py   
    --stream 0    #0为摄像头检测，1为本地视频
    --video_dir test_data/test.avi  #本地视频的路径
    --output_dir output #输出检测结果视频的路径，不指定则不输出

参考

Pedestrian-Detection（基于annotations实现）

MobileNet-SSDLite-RealSense-TF

Object-Detection-MobileNet

Quick Start: Distributed Training on the Oxford-IIIT Pets Dataset on Google Cloud