盯住梅西：TensorFlow目标检测实战

近日，一篇题为《Following Messi with TensorFlow and Object Detection》的教程文章展示了如何通过 TensorFlow 训练定制的目标检测模型，以专门定位和识别足球巨星梅西;同时作者也希望这一技术有助于催生出足球新战术，提升赛事水平。

专注于为中小企业提供网站设计、网站建设服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业麟游免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了成百上千家企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。

我们之前曾把 TensorFlow 与目标检测模型结合使用，但使用的一直是预先设定的传统数据集，比如 COCO。这次的挑战将再高一级，我会分析一个足球比赛的片段，并识别其中至少一个球员。

一提到足球，你首先想到的可能是那些天才球员，比如阿根廷人梅西。本文中，我将会：

• 训练一个定制的目标识别模型以定位梅西
• 选择一个真实的赛事转播视频(本文中我使用的今年 8 月 31 日世界杯预选赛南美区，乌拉圭对战阿根廷的录像)，看看我们能得到什么结果。
• 通过这项技术，我们或许可以设计新的战术，提高足球赛事的水平。

注意：我们将会结合使用 TensorFlow 与上述目标检测模型，且均具备 Apache License 2.0 许可证。

我们将从最终获取的结果开始：

比赛中的一段慢动作回放

如果你对此感兴趣，我建议你多花点时间一步一步学习该模型的搭建步骤。

它包含三个重要的步骤：

1. 构建有目标可供检测的定制数据集
2. 通过 TensorFlow 训练和评估该模型
3. 运用该模型

步骤：

构建自定义数据集 Moment

1. 我们查看官方文档，就会发现有单独的部分介绍如何构建自定义数据集。地址：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/using_your_own_dataset.md

2. 我们需要想要检测的物体的图像，并且需要给它们打标签。

• 对于这种情况，我使用的是 RectLabel 工具，对于 MacOS 是一个不错的选择。(也有其他替代工具，如 LabelImg。)
• 然后就是***次测试，我收集来的 119 张足球比赛的图像(数量很小，但对测试来说足够了)。

我给大约 100 张梅西的图片添加了标签。

注：如要将样本投入正式的应用，这一步就需要更多图像。

3. 下一步是把照片和对应的 tag 转换成 TFFormat 文件。脚本地址：

https://github.com/nbortolotti/tensorflow-code-experiences/blob/master/custom_model_object_detection/generate_tfrecord.py。(我使用了中间步骤将 xml 注释标签转换成 csv，脚本地址：

https://github.com/nbortolotti/tensorflow-code-experiences/blob/master/custom_model_object_detection/xml_metadata_csv.py。)

4. 记住：***的环境是构建一个训练集和评估集。

训练/评估自定义模型 Moment

5. 上述文件完成后，我们就可以训练和评估模型了。

这一步我使用的是机器学习引擎，因为我没有本地基础架构可以在 1 小时内执行完整个过程。(官方说明：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_on_cloud.md)

5 个工作线程使用标准 GPU。

同样强烈推荐使用 TensorBoard 对训练和评估过程进行可视化。

记住：直接使用谷歌云存储。也就是说，所有文件必须在这种 repository 类型中，以与训练引擎完成互动。

TensorBoardML 中的 TotalLoss

机器学习引擎工作示例

6. 使用了 21.77 个单元，经过 1 小时 9 分钟和 2 万次迭代之后，我们得到了多个检查点和一个可用模型。

7. 我们使用***进的检查点，使用训练好的模型进行推断。(官方文档：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/exporting_models.md)

使用自定义模型 Moment

8. 我们将从以下选项中使用该模型：

• 使用该模型和利用检测结果生成视频的脚本。实现示例：https://github.com/nbortolotti/tensorflow-code-experiences/blob/master/custom_model_object_detection/od_video_generator.py。
• 实时评估视频和解码标签以计算阿根廷球星的外表的脚本。实现示例：https://github.com/nbortolotti/tensorflow-code-experiences/blob/master/custom_model_object_detection/od_video_label_detector.py
• 注意：使用慢镜头的同样的 demo。地址：https://www.youtube.com/watch?v=ZCUJJN0q-To
• 更多示例信息，详见：https://github.com/nbortolotti/tensorflow-code-experiences/tree/master/custom_model_object_detection

这可能只是这项有趣研究的开始……后续也许会涉及到如何改进体育战术、囊括更多运动员和验证关联。现在，我们仅仅使用传统的电视直播信息，如果我们使用更清晰或能看到球场全景的摄像头，又会发生什么呢?

所有球员的位置都可以得到计算。事实上，我们的实验证明了用机器学习识别球员非常容易，但是我们能根据球员的位置和他们擅长的技术找到更好的战术吗?

我希望你能从中获得乐趣，希望在未来，我们能够看到更多体育领域的 TensorFlow 实现。

原文：

https://becominghuman.ai/following-messi-with-tensorflow-and-object-detection-20ba6d75667

【本文是专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】

名称栏目：盯住梅西：TensorFlow目标检测实战
转载来于：http://www.mswzjz.cn/qtweb/news13/549613.html

攀枝花网站建设、攀枝花网站运维推广公司-贝锐智能，是专注品牌与效果的网络营销公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 贝锐智能