基于Tensorflow图片视频和摄像头实时人体检测应用构建视频教程

已经提出了一种新颖的方法来实现照片、视频中的人体检测，以及使用系统网络摄像头和外部摄像头的实时检测。我们将逐步学习和构建整个项目。我将逐步介绍所有内容，以便您轻松构建自己的机器学习模型。

在这个 python 项目中，我们将通过网络摄像头构建一个人体检测和计数系统。这实际上是一个关于计算机视觉和TensorFlow的中级深度学习项目，它可以帮助你掌握人工智能的概念，它可以让你成为数据科学领域的专家。

因此，为了便于理解，本课程分为 14 个部分。然后，让我们看看我们将在每个部分中学习什么。

在第一部分中，我们将了解人工智能、神经网络、对象检测模型、计算机视觉库、TensorFlow、TF API 及其详细规范和应用以及适当的示例。

在第二部分，我们将了解人体检测模型，然后我们将了解如何安装 Anaconda、Visual Studio、Jupyter 等软件和工具。接下来，我们将了解 IDE 和所需的设置。稍后，这将有助于我们了解如何设置python环境等。

在 jupyter notebook 中单独测试小程序将使您清楚 jupyter notebook 的功能和工作原理。因此，在第三部分中，我们将学习设置 jupyter notebook 和工作空间。

第四部分从导入依赖项、定义和设置标签路径、实时演示和源代码开始。

在第五部分，我们将了解计算机视觉库以及如何使用 OpenCV 捕获图像。我们将逐步理解脚本，然后进一步使用实时演示和图像标记工具。此后，我们将了解注解及其类型。最后，我们将开始制作注释。

在第六部分，我们将从人体检测模型开始。然后，我们将学习定制我们自己的模型。此后，我们将继续进行预训练模型、脚本记录、标签映射等。之后，我们将开始使用工作区。

下一节将向我们介绍 TensorFlow Model API 和 Protocol Buffers。在这里，我们将继续进行模型花园、WGET 模块、协议和源代码的验证。然后我们将在这里学习如何从 TensorFlow Zoo 下载预训练模型。

之后，在第 8 节中，我们将使用模型。在这里，我们将学习如何创建标签映射，如何编写文件等等。然后，我们将了解模型记录，如训练和测试记录，将模型配置复制到训练文件夹中并进行实时演示。

在第 9 节中，我们将继续进行管道配置，在那里我们将了解检查点。接下来，我们将继续配置、复制和编写管道配置。最后，我们将进行验证。

在第 10 节中，您将了解如何训练和评估人体检测模型。在这里，我们将继续使用训练脚本、训练命令和验证。这是我们将构建人体检测模型的最重要部分。而且，在这个阶段我们必须非常小心，因为如果您的系统没有任何 GPU 并且使用了更高的训练步骤，“训练”可能需要很长时间或一天。训练完成后，进入模型评估步骤。所以在这里，我们将了解模型评估、平均精度、召回率、混淆矩阵等。

第 11 节将带您了解训练好的模型和检查点。在这里，我们将了解加载管道配置、恢复检查点和构建检测模型。然后，我们将了解源代码。

在第 12 节中，我们将了解如何从图像文件中测试人体检测模型。在这里，我们将导入推荐的库，然后了解类别索引、定义测试图像路径等。

第 13 节会弄脏你的手。您将从网络摄像头进行实时检测，并了解模型的性能。

最后，在第 14 节中，我们将了解冻结图、TensorFlow lite 和存档模型。这是最后一部分，我们将使用冻结图方法保存我们的人体检测模型。然后我们将学习如何将人类检测模型转换为 TensorFlow Lite 模型。

最后，我们将通过归档我们的模型以供将来编辑来结束这个项目。