Tugas MediaPipe Object Detector memungkinkan Anda mendeteksi kehadiran dan lokasi beberapa objek tertentu. Petunjuk ini menunjukkan cara menggunakan Detektor Objek di Python. Contoh kode yang dijelaskan dalam petunjuk ini tersedia di GitHub.
Anda dapat mengetahui cara kerja tugas ini dengan melihat Demo web. Untuk informasi selengkapnya tentang kemampuan, model, dan opsi konfigurasi tugas ini, lihat Ringkasan.
Contoh kode
Kode contoh untuk Detektor Objek memberikan implementasi lengkap dari di Python untuk referensi Anda. Kode ini membantu Anda menguji tugas ini dan mendapatkan mulai membangun aplikasi klasifikasi teks Anda sendiri. Anda dapat melihat, menjalankan, dan edit kode contoh Detektor Objek hanya dengan menggunakan {i>browser<i} web.
Jika Anda mengimplementasikan Object Detector untuk Raspberry Pi, lihat metode Contoh Rasberi Pi aplikasi.
Penyiapan
Bagian ini menjelaskan langkah-langkah utama untuk menyiapkan lingkungan pengembangan dan kode project secara khusus untuk menggunakan Object Detector. Untuk informasi umum tentang menyiapkan lingkungan pengembangan untuk menggunakan tugas MediaPipe, termasuk persyaratan versi platform, lihat Panduan penyiapan untuk Python.
Paket
Tugas Object Detector memerlukan paket pip mediapipe. Anda dapat menginstal paket yang diperlukan dengan perintah berikut:
$ python -m pip install mediapipe
Impor
Impor class berikut untuk mengakses fungsi tugas Detektor Objek:
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision
Model
Tugas Detektor Objek MediaPipe memerlukan model terlatih yang kompatibel dengan tugas Anda. Untuk mengetahui informasi selengkapnya tentang model terlatih yang tersedia untuk Detektor Objek, lihat ringkasan tugas bagian Model.
Pilih dan download model, lalu simpan di direktori lokal:
model_path = '/absolute/path/to/lite-model_efficientdet_lite0_detection_metadata_1.tflite'
Gunakan parameter model_asset_path
objek BaseOptions
untuk menentukan jalur
model yang akan digunakan. Untuk contoh kode, lihat bagian berikutnya.
Membuat tugas
Gunakan fungsi create_from_options
untuk membuat tugas. Tujuan
Fungsi create_from_options
menerima opsi konfigurasi termasuk menjalankan
mode, nama tampilan lokal, jumlah hasil maksimal, ambang batas keyakinan,
daftar kategori yang diizinkan, dan daftar tolak. Jika Anda tidak menetapkan
opsi konfigurasi,
tugas menggunakan nilai {i>default<i}. Untuk informasi lebih lanjut
tentang opsi konfigurasi,
lihat bagian Opsi konfigurasi.
Tugas Detektor Objek mendukung beberapa jenis data input: gambar diam, video {i>file<i} dan {i>streaming<i} video langsung. Pilih tab yang sesuai dengan data input Anda untuk melihat cara membuat tugas dan menjalankan inferensi.
Gambar
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. # ...
Video
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. # ...
Live stream
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. # ...
Untuk contoh lengkap pembuatan Detektor Objek untuk digunakan bersama gambar, lihat contoh kode.
Opsi konfigurasi
Tugas ini memiliki opsi konfigurasi berikut untuk aplikasi Python:
Nama Opsi | Deskripsi | Rentang Nilai | Nilai Default |
---|---|---|---|
running_mode |
Menetapkan mode berjalan untuk tugas. Ada tiga
moda: IMAGE: Mode untuk input gambar tunggal. VIDEO: Mode untuk frame video yang didekode. LIVE_STREAM: Mode untuk live stream input besar, seperti dari kamera. Dalam mode ini, resultListener harus dipanggil untuk menyiapkan pemroses yang akan menerima hasil secara asinkron. |
{IMAGE, VIDEO, LIVE_STREAM } |
IMAGE |
display_names |
Menyetel bahasa label yang akan digunakan untuk nama tampilan yang diberikan di
metadata model tugas, jika tersedia. Defaultnya adalah en untuk
Bahasa Inggris. Anda dapat menambahkan label yang dilokalkan ke metadata model kustom
menggunakan TensorFlow Lite Metadata Writer API
|
Kode lokal | id |
max_results |
Menetapkan jumlah maksimum opsional untuk hasil deteksi dengan skor tertinggi ke kembali. | Semua angka positif | -1 (semua hasil ditampilkan) |
score_threshold |
Menetapkan ambang batas skor prediksi yang menggantikan skor yang diberikan dalam metadata model (jika ada). Hasil di bawah nilai ini ditolak. | Float mana pun | Tidak ditetapkan |
category_allowlist |
Menetapkan daftar opsional untuk nama kategori yang diizinkan. Jika tidak kosong,
hasil deteksi yang nama kategorinya tidak ada dalam kumpulan ini akan
disaring. Nama kategori duplikat atau yang tidak diketahui akan diabaikan.
Opsi ini saling eksklusif dengan category_denylist dan menggunakan
keduanya akan menghasilkan {i>error<i}. |
String apa pun | Tidak ditetapkan |
category_denylist |
Menetapkan daftar opsional nama kategori yang tidak diizinkan. Jika
hasil deteksi yang tidak kosong, yang nama kategorinya dalam rangkaian ini akan difilter
posisi-posisi ini. Nama kategori duplikat atau yang tidak diketahui akan diabaikan. Opsi ini sama-sama
eksklusif dengan category_allowlist dan menggunakan keduanya akan menyebabkan error. |
String apa pun | Tidak ditetapkan |
Menyiapkan data
Siapkan input Anda sebagai
file gambar atau array numpy,
lalu konversikan menjadi objek mediapipe.Image
. Jika input Anda adalah file video
atau melakukan live stream dari webcam, Anda dapat menggunakan library eksternal seperti
OpenCV untuk memuat frame input sebagai numpy
.
Contoh berikut menjelaskan dan menunjukkan cara menyiapkan data untuk diproses untuk setiap jenis data yang tersedia:
Gambar
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)
Video
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)
Live stream
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)
Menjalankan tugas
Anda dapat memanggil salah satu fungsi deteksi untuk memicu inferensi. Objek Tugas pendeteksi akan menampilkan objek yang terdeteksi dalam gambar atau bingkai input.
Gambar
# Perform object detection on the provided single image. detection_result = detector.detect(mp_image)
Video
# 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)
Live stream
# 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)
Untuk contoh lengkap menjalankan Detektor Objek pada gambar, lihat dokumentasi contoh kode untuk mengetahui detailnya.
Perhatikan hal berikut:
- Saat dalam mode video atau mode live stream, Anda juga harus berikan stempel waktu {i>frame<i} input ke tugas Detektor Objek.
- Saat model gambar atau video berjalan, tugas Detektor Objek akan memblokir utas saat ini hingga selesai memproses gambar input atau {i>frame<i}.
- Saat berjalan dalam mode live stream, tugas Detektor Objek tidak akan diblokir thread saat ini tetapi langsung kembali. Fungsi ini akan memanggil hasilnya dengan hasil deteksi setiap kali pemroses selesai memproses frame input. Jika fungsi deteksi dipanggil saat tugas Detektor Objek sedang sibuk memproses frame lain, frame input baru akan diabaikan.
Menangani dan menampilkan hasil
Setelah menjalankan inferensi, tugas Detektor Objek menampilkan
Objek ObjectDetectionResult
yang mendeskripsikan objek yang ditemukannya di
gambar input.
Berikut ini contoh data output dari tugas ini:
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
Gambar berikut menunjukkan visualisasi output tugas:
Kode contoh Detektor Objek menunjukkan cara menampilkan deteksi hasil yang ditampilkan dari tugas, lihat contoh kode untuk mengetahui detailnya.