本文将引见界说成绩的方法，和我处理成绩的方法。
目次
为何选择“椅子成绩”？
成绩简略化：在清楚的图象中停止“椅子辨认”
进一步的挑衅：找到椅子的地位
一个先辈的“对象辨认”技巧——YOLO概述
将YOLO运用于“椅子辨认”
面对的挑衅和将来将采用的步调
为何选择“椅子成绩”？
起首我将论述我为何想要在一张照片中“数椅子”。
在Analytics Vidhya的办公室里，平日会有10到15小我。但到了炎天，练习生们就会“涌入”我们的办公室。所以，假如我们要在炎天开全员年夜会，我们就必需要从其他房间里拉出一切空的椅子。
我是一个特殊懒的人，所以我想，有无一种算法可以或许直接告知我们哪间房间有余暇的椅子。如许一来，我们就不消挨个房间找椅子了，省时又省力。
这看上去是个再简略不外的成绩，但我可以用它来测验考试我取得的新技巧。深度进修可以或许处理这个成绩吗？诚实说，我也不肯定深度进修毕竟能不克不及用来处理这一成绩，然则试一下总没有害处，不是吗？
成绩中需完成的义务
既然你曾经懂得了我们须要处理的成绩，那末接上去我会向你引见我处理成绩的进程。我会把这个成绩分化为四个分歧的义务——
假设我们有一个房间的视频资本，那末在视频中有无涌现一把椅子？
假如视频中涌现了椅子，那末这把椅子在房间的甚么地位呢？
这把椅子能否被占用了？假如有未被占用的椅子，那末未被占用的椅子数目是若干呢？
我们应当从哪间房间里搬空椅子？
我决议先处理一个绝对简略的成绩，然后再测验考试处理更庞杂的成绩。按部就班，一步步到达我的目的。这也是我将这个成绩分化为四个分歧的义务的缘由。在本文，我将具体引见前两个义务的完成进程；在后续文章中，我会持续引见后两个义务的完成进程。
成绩简略化：在清楚的图象中停止“椅子辨认”
处理“椅子成绩”的第一步，也是最简略的一步，就是断定图片中的房间内能否有椅子。如今，我将这个成绩进一步简化——我将收集对视频资本的需求疏忽，给收集输出了我拍摄的几张照片。
假定我给你两张照片，你能告知我哪一张照片中有椅子吗？
谜底是第一张，而你毕竟是怎样晓得的呢？
由于你见过椅子许多许多次了，所以对你来讲断定图片里有无椅子其实不难。换言之，你关于实际中的椅子长甚么样曾经有了懂得。异样的，我们可以练习一个神经收集，让收集帮我们完成这个辨认的任务。
趁便提一下，我们之所以应用神经收集而不消其他的算法，是由于神经收集是在图象处置成绩方面最壮大、最早进的技巧。
所以，我将一个经由ImageNet数据集预练习的神经收集运用到这些图象上。
然则当我让模子辨认图象中的对象时，涌现了一个成绩——它不克不及精确地分离图象中的对象。例如，下图是模子针对图象的输入成果。
[[（'n03179701', 'desk', 0.56483036）， （'n03337140', 'file', 0.14689149）， （'n04550184', 'wardrobe', 0.03918023）]]
它将图片中的“椅子”毛病地断定成了“书桌”。如许的成果其实使人很掉望，由于书桌和椅子的类似度不高，按理来讲长短常轻易辨别的。
处理“椅子照样书桌”的成绩
正如我在之前的文章中提到的，每当我在树立神经收集时碰到成绩，我就会慢慢处理这个成绩。我会将每一个步调列成一个清单：
第一步：检讨收集架构
第二步：检讨神经收集的超参数
第三步：检讨收集的庞杂性
第四步：检讨输出数据的构造
第五步：检讨数据的散布
在一番检讨评价以后，我发明模子的图象输出是不准确的，由于我没有准确地处置图象的纵横比例。所以，为懂得决这个成绩，我添加了一个自界说代码，该自界说代码之前在GitHub上的一个keras成绩中涌现过。更新的图象以下图：
[[（'n02791124', 'barber_chair', 0.77817303）， （'n03179701', 'desk', 0.090379775）， （'n03337140', 'file', 0.033129346）]]
处置完这个成绩今后，模子就可以开端正常地任务，输入准确的成果了。
进一步的挑衅：找到椅子的地位
如今，我们曾经断定出了图象中有一把椅子，那末接上去我们就要辨认这把椅子在甚么地位。除这把椅子，我们还要辨认出图象中的人。我们须要经由过程辨认这小我来断定这把椅子能否被占用了。这两个义务（义务二和义务三）将有助于我们处理和处置更年夜的义务，断定作这把椅子能否被占用了。
与后面的义务一样，我们将应用一个预练习的收集，这个收集将给我们供给一个可接收的分数。今朝，YOLO收集是“对象检测”的最好模子，它可以或许及时地展现相当不错的机能。在本文，我对YOLO收集做了简略的引见。上面，我们来看看若何应用YOLO处理这个成绩。
应用YOLO停止“椅子检测”
在体系中设置YOLO收集，我们可以依照以下简略的步调：
第一步：
git clone https://github.com/pjreddie/darknet
cd darknet
make
第二步：
wget https://pjreddie.com/media/files/yolo.weights
用YOLO来处理我们的成绩，你须要输出以下指令，而且供给你本身图象的地位
./darknet detect cfg/yolo.cfg yolo.weights //data/image.jpg
在我们的图象上运用了YOLO以后，我发明其成果异常不错。上面是一些例子：
面对的挑衅和将来将采用的步调
固然开始停顿得异常顺遂，然则依然有成绩会障碍这个项目标成长。以下是个中一些成绩：
成绩一：这个YOLO模子照样会涌现一些毛病，它其实不是一个100%准确的模子。好比，鄙人面的这张图片中，一个渣滓桶居然被毛病地辨认成了一小我！
成绩二：假如在一张图象中，一把椅子盖住了别的一把椅子，算法还能辨认出这把被盖住的椅子吗？这是个值得思虑的成绩。
除这些能够涌现的成绩以外，还有一些加倍现实的细节须要斟酌，好比说，算法推举一个处理计划须要多长时光？算法须要运转甚么类型的硬件？等等。这些都是在把算法作为商品出售之前须要斟酌息争决的成绩。
异样，像之前所说的，在这篇文章中只评论辩论后面两个义务，还没有触及到前面两个义务。那末，接上去的义务就是盘算出房间内的椅子数目，然后树立起一个“端到端”的产物。
尾注
本文内容涵盖了图象中的“物体检测和辨认”，个中的物体就是“椅子”。针对物体辨认，我们用了一个简略的预练习的模子来辨认图象中的物体。另外一方面，针对物体检测，我们应用了YOLO收集——一项异常先辈的对象及时检测技巧。
