十分钟，我搞定了一个人物检测模型

shaoheshaohe

人物检测在现在有多难？
五年之前，大家普遍在哈尔特征（Haar-like features）的基础上，基于级联分类器用OpenCV解决问题。这往往需要用大量的时间和精力构建模型，依照如今的标准来看，检测质量也不是很好。
要知道，深度学习时代来了，小小的人物检测任务也有了突破，将特征工程和简单的分类器结合已经过时，神经网络开始主导这个领域。
在这篇文章中，我们将用Supervise.ly平台处理人物检测任务，带你用5分钟做出初始方案。这个自称不用写代码、提供众多与训练模型、也无需在各种开发工具中跳来跳去的平台，对新手绝对友好。
基本方法想要处理这个任务有两种方法：一是直接使用预训练模型，二是训练自己的人物检测模型。在Supervise.ly里这两种方法都可以，但我们重点来看预训练模型版。
我们将用基于Faster R-CNN的NASNet模型处理，此模型已经用COCO数据集预训练过了。
TensorFlow detection model zoo地址：
https://github.com/tensorflow/mo ... ection_model_zoo.md
Get主要方法后，打开Supervise.ly，我们开始进入正式构建步骤了。
Step 1：设置人物检测模型设置检测模型很简单，只需将你的GPU连接到Supervise.ly，然后选择其中一个预训练模型即可。
进入Cluster页面，点击“Connect your first node”。


你将能看到下面这个窗口，将指令复制到你的电脑里，Python Agent软件将自动在你的电脑里完成安装。


点击“Neural networks”进入“Model Zoo”页面后，你能看到一系列为语义分割和物体检测创建的预训练模型。将鼠标放到“FasterRCNN NasNet”那里，选择增加一个新模型，你将看到这个预训练模型出现在了“我的模型”列表中。


Step 2：检测人物，判断质量在你将模型部署为API之前，想弄清楚它是否符合要求可以先将神经网络预测可视化：将图片拖拽到的相关区域，运行推理过程。


在这个案例中，我们将项目命名为“text_images”，随后点击开始“start import”，用创建的图片检查项目。
随后，我们用这张图片测试人物检测模型的效果如何。在我的模型页面点击“Test”按钮，选择上面已经命名的“testimages”项目，将要存储检测结果的项目命名为“inf_test_images”。
现在，在“inference_full_image”列表中选择推理模式，将“save_classes”: “__all”替换成“save_classes”: [“person”]。


然后进入推理过程，模型看起来还算符合要求，我们进入下一步。


Step 3：将模型部署到应用部署主要遵循通过调用API在自定义环境中使用模型的基本准则，部署前，需要先前往我的模型页面中创建新任务，将API请求发送到人物检测模型中。


随后，我们需要混获取token和URL信息。在“Cluster->Tasks”页面点击Deploy API info，就可以通过调用API满足检测模型所需的信息了。
运行以下命令：


可视化之后，我们发现输入的图片，已经得到了一张人物检测结果：


模型不仅识别出“深度学习三巨头”和吴恩达老师，连远处不仔细看绝对发现不了的人像也被检测到了。
最后，附原文链接，想要了解更多的同学可自取：
https://hackernoon.com/can-you-s ... a061194c?source=rss——3a8144eabfe3—-4

Happy清子

牛逼
这么快
但是
这样
真的好吗？
似乎道理都没有touch到，事儿就做完了