node.js在訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型識(shí)別圖像中物體的方法

編者按：opencv4nodejs及face-recognition.js維護(hù)者Vincent Mühler介紹了如何在Node.js環(huán)境下使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型識(shí)別圖像中的物體。

今天我們將看看Node.js的OpenCV深度神經(jīng)網(wǎng)絡(luò)模塊。

如果你希望釋放神經(jīng)網(wǎng)絡(luò)的魔力，來(lái)辨識(shí)和分類(lèi)圖像中的物體，卻對(duì)深度學(xué)習(xí)是如何工作的毫無(wú)頭緒（像我一樣），更不知道如何創(chuàng)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)，那么本文正適合你！

所以我們今天將創(chuàng)建什么？

在這一篇教程中，我們將了解如何通過(guò)OpenCV的DNN模塊，從Tensorflow和Caffe加載預(yù)訓(xùn)練的模型，然后我們將深入兩個(gè)基于Node.js和OpenCV進(jìn)行物體識(shí)別的例子。

首先我們將使用Tensorflow的Inception模型來(lái)辨識(shí)圖像中的物體，之后我們將使用COCO SSD模型檢測(cè)和辨識(shí)同一圖像中的多個(gè)不同物體。

你可以在我的github倉(cāng)庫(kù)上找到樣例代碼：justadudewhohacks/opencv4nodejs

Tensorflow Inception

訓(xùn)練過(guò)的Tensorflow Inception模型可以辨別約1000個(gè)分類(lèi)的物體。如果你將圖像傳入網(wǎng)絡(luò)，它將給出圖像中的物體的每個(gè)分類(lèi)的似然。

要在OpenCV下使用Inception模型，我們需要加載二進(jìn)制文件tensorflow_inception_graph.pb以及分類(lèi)名稱(chēng)列表imagenet_comp_graph_label_strings.txt。你可以下載inception5h.zip并解壓以獲得這些文件（下面的代碼內(nèi)有下載鏈接）：

// 替換路徑為你解壓縮inception模型的路徑

const inceptionModelPath = '../data/dnn/tf-inception'

const modelFile = path.resolve(inceptionModelPath, 'tensorflow_inception_graph.pb');

const classNamesFile = path.resolve(inceptionModelPath, 'imagenet_comp_graph_label_strings.txt');

if (!fs.existsSync(modelFile) || !fs.existsSync(classNamesFile)) {

console.log('退出: 找不到inception模型');

console.log('從以下網(wǎng)址下載模型： https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip');

return;

}

// 讀取classNames（分類(lèi)名稱(chēng)），然后在數(shù)組中儲(chǔ)存它們

const classNames = fs.readFileSync(classNamesFile).toString().split(" ");

// 從modelFile初始化tensorflow inception模塊

const net = cv.readNetFromTensorflow(modelFile);

分類(lèi)圖像中的物品

為了分類(lèi)圖像中的物品，我們將編寫(xiě)以下幫助函數(shù)：

const classifyImg = (img) => {

// inception模型使用224 x 224 圖像，

// 因此我們調(diào)整輸入圖像的大小，

// 并使用白像素補(bǔ)齊圖像

const maxImgDim = 224;

const white = new cv.Vec(255, 255, 255);

const imgResized = img.resizeToMax(maxImgDim).padToSquare(white);

// 網(wǎng)絡(luò)接受blob作為輸入

const inputBlob = cv.blobFromImage(imgResized);

net.setInput(inputBlob);

// 前向傳播輸入至整個(gè)網(wǎng)絡(luò)，

// 將返回包含每個(gè)分類(lèi)的置信度的1xN矩陣分類(lèi)結(jié)果

const outputBlob = net.forward();

// 找到大于最小置信度的所有標(biāo)簽

const minConfidence = 0.05;

const locations =

outputBlob

.threshold(minConfidence, 1, cv.THRESH_BINARY)

.convertTo(cv.CV_8U)

.findNonZero();

const result =

locations.map(pt => ({

confidence: parseInt(outputBlob.at(0, pt.x) * 100) / 100,

className: classNames[pt.x]

}))

// 根據(jù)置信度排序

.sort((r0, r1) => r1.confidence - r0.confidence)

.map(res => `${res.className} (${res.confidence})`);

return result;

}

這一函數(shù)做了這些事：

準(zhǔn)備輸入圖像

Tensorflow Inception網(wǎng)絡(luò)接受224x224大小的輸入圖像。因此我們調(diào)整圖像大小，使其最大邊的大小為224，然后用白像素補(bǔ)齊。

讓圖像穿過(guò)網(wǎng)絡(luò)

我們可以直接從圖像創(chuàng)建blob，然后調(diào)用net.forward()前向傳播輸入，然后獲取輸出blob.

從輸出blob提取結(jié)果

為了通用性，輸出blob的表達(dá)形式直接是矩陣（cv.Mat），而它的維度取決于模型。在Inception下這很簡(jiǎn)單。blob不過(guò)是一個(gè)1xN矩陣（其中N等于分類(lèi)數(shù)），描述了所有分類(lèi)的概率分布。每個(gè)條目為一個(gè)浮點(diǎn)數(shù)，表示相應(yīng)分類(lèi)的置信度。所有條目相加，總和為1.0（100%）。

我們想仔細(xì)看看圖像可能性最大的分類(lèi)，因此我們查看所有置信度大于minConfidence（這個(gè)例子中是5%）。最后，我們根據(jù)置信度排序結(jié)果，并返回className、confidence對(duì)。

測(cè)試

現(xiàn)在我們將讀取一些我們希望網(wǎng)絡(luò)辨識(shí)的樣本數(shù)據(jù)：

const testData = [

{

image: '../data/banana.jpg',

label: 'banana'

},

{

image: '../data/husky.jpg',

label: 'husky'

},

{

image: '../data/car.jpeg',

label: 'car'

},

{

image: '../data/lenna.png',

label: 'lenna'

}

];

testData.forEach((data) => {

const img = cv.imread(data.image);

console.log('%s: ', data.label);

const predictions = classifyImg(img);

predictions.forEach(p => console.log(p));

console.log();

cv.imshowWait('img', img);

});

輸出為：（你可以參考本文開(kāi)頭的圖片）

banana:

banana (0.95)

husky:

Siberian husky (0.78)

Eskimo dog (0.21)

car:

sports car (0.57)

racer (0.12)

lenna:

sombrero (0.34)

cowboy hat (0.3)

很有趣。我們得到了愛(ài)基斯摩犬和香蕉圖像非常準(zhǔn)確的描述。對(duì)于汽車(chē)圖像而言，汽車(chē)的具體類(lèi)別不太準(zhǔn)，但模型確實(shí)辨識(shí)出了圖像中的汽車(chē)。當(dāng)然，網(wǎng)絡(luò)不可能在無(wú)限的分類(lèi)上進(jìn)行訓(xùn)練，因此它沒(méi)有為最后一張圖像返回“婦女”描述。然而，它確實(shí)辨識(shí)出了帽子。

COCO SSD

好，模型表現(xiàn)不錯(cuò)。但是我們?nèi)绾翁幚戆鄠€(gè)物體的圖像呢？為了辨識(shí)單一圖像中的多個(gè)物體，我們將利用單圖多盒檢測(cè)器（Single Shot Multibox Detector, SSD）。在我們的第二個(gè)例子中，我們將查看一個(gè)在COCO（Common Object in Context）數(shù)據(jù)集上訓(xùn)練的SSD模型。我們使用的這一模型在84個(gè)不同分類(lèi)上訓(xùn)練過(guò)。

這一模型來(lái)自Caffe，因此我們將加載二進(jìn)制文件VGG_coco_SSD_300x300_iter_400000.caffemodel，以及protoxt文件deploy.prototxt：

// 替換路徑為你解壓縮coco-SSD模型的路徑

const ssdcocoModelPath = '../data/dnn/coco-SSD_300x300'

const prototxt = path.resolve(ssdcocoModelPath, 'deploy.prototxt');

const modelFile = path.resolve(ssdcocoModelPath, 'VGG_coco_SSD_300x300_iter_400000.caffemodel');

if (!fs.existsSync(prototxt) || !fs.existsSync(modelFile)) {

console.log('退出: 找不到ssdcoco模型');

console.log('從以下網(wǎng)址下載模型 https://drive.google.com/file/d/0BzKzrI_SkD1_dUY1Ml9GRTFpUWc/view');

return;

}

// 從prototxt和modelFile初始化ssdcoco模型

const net = cv.readNetFromCaffe(prototxt, modelFile);

基于COCO分類(lèi)

我們的分類(lèi)函數(shù)和基于Inception的分類(lèi)函數(shù)幾乎一樣，不過(guò)這次輸入將是300x300的圖像，而輸出將是1x1xNx7矩陣。

const classifyImg = (img) => {

const white = new cv.Vec(255, 255, 255);

// ssdcoco模型接受300 x 300圖像

const imgResized = img.resize(300, 300);

// 網(wǎng)絡(luò)接受blob作為輸入

const inputBlob = cv.blobFromImage(imgResized);

net.setInput(inputBlob);

// 前向傳播輸入至整個(gè)網(wǎng)絡(luò)，

// 將返回1x1xNxM矩陣作為分類(lèi)結(jié)果

let outputBlob = net.forward();

// 提取NxM矩陣

outputBlob = outputBlob.flattenFloat(outputBlob.sizes[2], outputBlob.sizes[3]);

const results = Array(outputBlob.rows).fill(0)

.map((res, i) => {

const className = classNames[outputBlob.at(i, 1)];

const confidence = outputBlob.at(i, 2);

const topLeft = new cv.Point(

outputBlob.at(i, 3) * img.cols,

outputBlob.at(i, 6) * img.rows

);

const bottomRight = new cv.Point(

outputBlob.at(i, 5) * img.cols,

outputBlob.at(i, 4) * img.rows

);

return ({

className,

confidence,

topLeft,

bottomRight

})

});

return results;

};

我不是很清楚為何輸出是1x1xNx7矩陣，不過(guò)我們實(shí)際上只關(guān)心Nx7部分。我們可以使用flattenFloat工具函數(shù)映射第三、第四維至2D矩陣。與Inception輸出矩陣相比，這次N不對(duì)應(yīng)每個(gè)分類(lèi)，而是檢測(cè)到的每個(gè)物體。另外，每個(gè)物體對(duì)應(yīng)7個(gè)條目。

為什么是7個(gè)條目？

記住，這里我們遇到的問(wèn)題和之前有點(diǎn)不一樣。我們想要檢測(cè)單張圖像中的多個(gè)物體，因此我們不可能僅僅給出每個(gè)分類(lèi)的置信度。我們實(shí)際上想要得到的是一個(gè)指示每個(gè)物體在圖中的位置的矩形。7個(gè)條目分別為：

我其實(shí)毫無(wú)頭緒

物體的分類(lèi)標(biāo)簽

分類(lèi)的置信度

矩形左端的x

矩形底部的y

矩形右端的x

矩形頂部的y

輸出矩陣給了我們不少關(guān)于結(jié)果的信息，這看起來(lái)相當(dāng)整潔。我們同樣可以根據(jù)置信度再次過(guò)濾結(jié)果，并為每個(gè)辨識(shí)出的物體在圖像中繪制邊框。

看看它的效果！

出于行文的簡(jiǎn)潔，我將跳過(guò)繪制矩形的代碼，以及其他可視化的代碼。如果你想知道具體是怎么做的，可以訪問(wèn)前面提到的github倉(cāng)庫(kù)。

讓我們傳入一張汽車(chē)圖像到網(wǎng)絡(luò)，然后過(guò)濾結(jié)果，看看是否檢測(cè)到了car分類(lèi)：

很棒！下面提高一下難度。讓我們?cè)囅隆粡堅(jiān)绮妥溃?/p>

很不錯(cuò)！