Python용 객체 감지 가이드

MediaPipe 객체 감지기 작업을 사용하면 여러 객체의 존재와 위치를 감지할 수 있습니다. 객체의 클래스입니다 이 안내에서는 객체 감지기를 사용하는 방법을 보여줍니다. 살펴보겠습니다 이 안내에서 설명하는 코드 예는 GitHub

웹 데모에서 이 작업의 실제 동작을 확인할 수 있습니다. Google Cloud의 기능, 모델 및 구성 옵션에 대해서는 개요를 참조하세요.

코드 예

객체 감지기의 코드 예시는 이 객체의 온전한 구현을 제공합니다. 참고하세요. 이 코드는 이 작업을 테스트하고 자체 텍스트 분류 앱을 빌드해 보았습니다. 데이터를 보고, 실행하고, 객체 감지기 예시 코드 수정 할 수 있습니다.

Raspberry Pi용 Object Detector를 구현하는 경우 Raspberry Pi 예시 앱을 엽니다.

설정

이 섹션에서는 개발 환경을 설정하는 주요 단계를 설명하고 특히 객체 감지기를 사용하는 데 도움이 됩니다 일반적인 정보 다음과 같은 MediaPipe 작업을 사용하기 위한 개발 환경 설정 자세한 내용은 Python 설정 가이드

<ph type="x-smartling-placeholder">

패키지

객체 감지기 작업에는 mediapipe pip 패키지가 필요합니다. Cloud Shell에서 필수 패키지를 설치합니다.

$ python -m pip install mediapipe

가져오기

다음 클래스를 가져와 객체 감지기 태스크 함수에 액세스합니다.

import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision

모델

MediaPipe 객체 감지기 태스크에는 이 작업과 호환되는 학습된 모델이 필요합니다. 태스크에 맞추는 것입니다. 객체 감지기에 사용할 수 있는 학습된 모델에 대한 자세한 내용은 다음을 참조하세요. 작업 개요의 모델 섹션을 확인합니다.

모델을 선택하고 다운로드한 후 로컬 디렉터리에 저장합니다.

model_path = '/absolute/path/to/lite-model_efficientdet_lite0_detection_metadata_1.tflite'

BaseOptions 객체 model_asset_path 매개변수를 사용하여 경로를 지정합니다. 지정할 수도 있습니다 코드 예는 다음 섹션을 참고하세요.

할 일 만들기

create_from_options 함수를 사용하여 작업을 만듭니다. 이 create_from_options 함수는 실행을 포함한 구성 옵션을 허용합니다. 모드, 표시 이름 언어, 최대 결과 수, 신뢰도 임곗값, 카테고리 허용 목록과 차단 목록이 있습니다 구성 옵션을 설정하지 않으면 태스크는 기본값을 사용합니다. 구성 옵션에 대한 자세한 내용은 구성 옵션 섹션을 참조하세요.

객체 감지기 작업은 정지 이미지, 동영상 등 여러 입력 데이터 유형을 지원합니다. 파일, 라이브 동영상 스트림이 포함되어 있습니다. 입력 데이터에 해당하는 탭을 선택합니다. 유형을 입력하여 작업을 생성하고 추론을 실행하는 방법을 확인합니다.

이미지

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
ObjectDetector = mp.tasks.vision.ObjectDetector
ObjectDetectorOptions = mp.tasks.vision.ObjectDetectorOptions
VisionRunningMode = mp.tasks.vision.RunningMode

options = ObjectDetectorOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.tflite'),
    max_results=5,
    running_mode=VisionRunningMode.IMAGE)

with ObjectDetector.create_from_options(options) as detector:
  # The detector is initialized. Use it here.
  # ...

동영상

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
ObjectDetector = mp.tasks.vision.ObjectDetector
ObjectDetectorOptions = mp.tasks.vision.ObjectDetectorOptions
VisionRunningMode = mp.tasks.vision.RunningMode

options = ObjectDetectorOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.tflite'),
    max_results=5,
    running_mode=VisionRunningMode.VIDEO)

with ObjectDetector.create_from_options(options) as detector:
  # The detector is initialized. Use it here.
  # ...

실시간 스트림

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
DetectionResult = mp.tasks.components.containers.detections.DetectionResult
ObjectDetector = mp.tasks.vision.ObjectDetector
ObjectDetectorOptions = mp.tasks.vision.ObjectDetectorOptions
VisionRunningMode = mp.tasks.vision.RunningMode

def print_result(result: DetectionResult, output_image: mp.Image, timestamp_ms: int):
    print('detection result: {}'.format(result))

options = ObjectDetectorOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.tflite'),
    running_mode=VisionRunningMode.LIVE_STREAM,
    max_results=5,
    result_callback=print_result)

with ObjectDetector.create_from_options(options) as detector:
  # The detector is initialized. Use it here.
  # ...

이미지에 사용할 객체 감지기를 만드는 전체 예는 다음을 참조하세요. 코드 예를 참고하세요.

구성 옵션

이 작업에는 Python 애플리케이션을 위한 다음과 같은 구성 옵션이 있습니다.

옵션 이름 설명 값 범위 기본값
running_mode 작업의 실행 모드를 설정합니다. 세 가지 모드:

IMAGE: 단일 이미지 입력 모드입니다.

동영상: 동영상의 디코딩된 프레임 모드입니다.

LIVE_STREAM: 입력의 라이브 스트림 모드 데이터를 수집할 수 있습니다. 이 모드에서는 resultListener가 결과를 수신하도록 리스너를 설정하기 위해 호출 있습니다.		 {IMAGE, VIDEO, LIVE_STREAM} IMAGE
display_names 작업 모델의 메타데이터입니다(있는 경우). 기본값은 en입니다. 영어입니다. 커스텀 모델의 메타데이터에 현지화된 라벨을 추가할 수 있습니다. TensorFlow Lite Metadata Writer API 사용 언어 코드 en
max_results 점수가 가장 높은 감지 결과의 최대 개수(선택사항)를 반환합니다. 모든 양수 -1 (모든 결과가 반환됨)
score_threshold 제공된 값을 재정의하는 예측 점수 임곗값을 설정합니다. 모델 메타데이터 (있는 경우) 이 값 미만의 결과는 거부됩니다. 모든 부동 소수점 수 설정되지 않음
category_allowlist 허용되는 카테고리 이름의 목록(선택사항)을 설정합니다. 비어 있지 않은 경우 카테고리 이름이 이 세트에 없는 감지 결과는 표시됩니다. 중복되거나 알 수 없는 카테고리 이름은 무시됩니다. 이 옵션은 category_denylist와 상호 배타적이며 둘 다 오류가 발생합니다. 모든 문자열 설정되지 않음
category_denylist 허용되지 않는 카테고리 이름의 목록(선택사항)을 설정합니다. 만약 비어 있지 않음. 카테고리 이름이 이 세트에 포함된 감지 결과가 필터링됩니다. 있습니다. 중복되거나 알 수 없는 카테고리 이름은 무시됩니다. 이 옵션은 category_allowlist와 함께 사용할 수 없으며 두 가지를 모두 사용하면 오류가 발생합니다. 모든 문자열 설정되지 않음

데이터 준비

입력을 이미지 파일 또는 NumPy 배열로 준비합니다. 그런 다음 mediapipe.Image 객체로 변환합니다. 입력이 동영상 파일인 경우 웹캠으로 라이브 스트리밍하는 경우 입력 프레임을 Numpy로 로드하는 OpenCV 배열입니다.

다음 예는 처리를 위해 데이터를 준비하는 방법을 설명하고 보여줍니다. 다음과 같습니다.

이미지

import mediapipe as mp

# Load the input image from an image file.
mp_image = mp.Image.create_from_file('/path/to/image')

# Load the input image from a numpy array.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_image)

동영상

import mediapipe as mp

# Use OpenCV’s VideoCapture to load the input video.

# Load the frame rate of the video using OpenCV’s CV_CAP_PROP_FPS
# You’ll need it to calculate the timestamp for each frame.

# Loop through each frame in the video using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)

실시간 스트림

import mediapipe as mp

# Use OpenCV’s VideoCapture to start capturing from the webcam.

# Create a loop to read the latest frame from the camera using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)

작업 실행

감지 함수 중 하나를 호출하여 추론을 트리거할 수 있습니다. 객체 감지기 작업은 입력 이미지 또는 프레임 내에서 감지된 객체를 반환합니다.

이미지

# Perform object detection on the provided single image.
detection_result = detector.detect(mp_image)

동영상

# Calculate the timestamp of the current frame
frame_timestamp_ms = 1000 * frame_index / video_file_fps

# Perform object detection on the video frame.
detection_result = detector.detect_for_video(mp_image, frame_timestamp_ms)

실시간 스트림

# Send the latest frame to perform object detection.
# Results are sent to the `result_callback` provided in the `ObjectDetectorOptions`.
detector.detect_async(mp_image, frame_timestamp_ms)

이미지에서 객체 감지기를 실행하는 전체 예시는 코드 예를 참조하세요.

다음에 유의하세요.

  • 동영상 모드 또는 라이브 스트림 모드에서 실행하는 경우 객체 감지기 작업에 입력 프레임의 타임스탬프를 제공합니다.
  • 이미지 또는 동영상 모델에서 실행할 때 객체 감지기 작업은 입력 이미지 처리가 완료될 때까지 현재 스레드를 차단하거나 있습니다.
  • 라이브 스트림 모드에서 실행할 때는 객체 감지기 작업이 즉시 반환됩니다. 그것의 결과를 호출합니다. 탐지 결과 처리를 완료할 때마다 해당 리스너가 탐지 결과를 입력 프레임에 연결됩니다. 객체 감지기 작업 실행 시 감지 함수가 호출되는 경우 다른 프레임을 처리하느라 새 입력 프레임은 무시됩니다.

결과 처리 및 표시

추론을 실행하면 객체 감지기 작업은 발견된 객체를 설명하는 ObjectDetectionResult 객체 확인할 수 있습니다

다음은 이 작업의 출력 데이터 예시를 보여줍니다.

ObjectDetectorResult:
 Detection #0:
  Box: (x: 355, y: 133, w: 190, h: 206)
  Categories:
   index       : 17
   score       : 0.73828
   class name  : dog
 Detection #1:
  Box: (x: 103, y: 15, w: 138, h: 369)
  Categories:
   index       : 17
   score       : 0.73047
   class name  : dog

다음 이미지는 작업 출력을 시각화한 것입니다.

객체 감지기 예시 코드에서는 감지를 표시하는 방법을 보여줍니다. 자세히 알아보려면 코드 예시 참조하세요.