01.準備工作

1. Python 3.xx（Python 3.7.4）

2. OpenCV（4.1.2版）

一個檢測幀示例

02.工作流程

1. 例項化 HOGDescriptor

2. 獲取影片的第一幀用作遮罩

3. 遍歷每一幀，對於每個檢測到的人，從第一幀開始用相應的“空”替換該區域

4. 儲存輸出

03.程式碼

按照前面描述的工作流程，程式碼儲存在github中，見文末。

讓我們測試一下！

像一個老闆一樣。手放在口袋裡消失了！

但是，引用伊隆·馬斯克（Elon Musk）的話：“仍有改善的空間”。實際上結果並不是那麼精確，尤其是當離相機更近的時候。

在測試了這段程式碼之後，整個輸出看起來有問題且不穩定。因此，需要找到一種方法來改進它：用第一幀替換每個檢測到的人似乎是個好方法，因此我可能需要找到一種更好的方法來檢測物體！

改進之處：

在搜尋COCO的模型ZOO時，我們發現了一個例項分割模型，每幅影象的推理時間為0.07秒，這是最快的例項之一（可能不是最準確的）。

我們自定義了模型，需要安裝所有需要的依賴，例如pytorch，torchvision和detectron2：

# install dependencies:!pip install -U torch==1.4+cu100 torchvision==0.5+cu100 -f https://download.pytorch.org/whl/torch_stable.html!pip install cython pyyaml==5.1!pip install -U ‘git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'import torch, torchvision

以下程式碼和說明已在Google Colab例項上進行了測試，做出此選擇是為了使此實驗更易於複製，而不會因缺少依賴項，版本衝突和所有經常發生的無聊而苦惱。

然後我們需要安裝Detectron2：

# install detectron2:!git clone https://github.com/facebookresearch/detectron2 detectron2_repo!pip install -e detectron2_repo

現在，我們可以繼續匯入所有需要的庫並載入模型：

cfg = get_cfg()cfg.merge_from_file(model_zoo.get_config_file(“COCO-InstanceSegmentation/mask_rcnn_R_50_DC5_1x.yaml”))cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST = 0.5 # set threshold for this modelcfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url(“COCO-InstanceSegmentation/mask_rcnn_R_50_DC5_1x.yaml”)predictor = DefaultPredictor(cfg)

無法使用我們的predictor類進行推斷，predictor需要在Tensors上返回一個需要轉換為numpy陣列的陣列，然後可以像以前一樣迭代該陣列：

outputs = predictor(frame)outputs = outputs[“instances”].pred_boxes.to(‘cpu’).tensor.numpy().astype(int)

讓我們檢查一下最終結果。

Detectron2 VS HOGDetector

從gif可以觀察到Detectron2如何更準確地檢測到一個人，但是，需要說的是，當然，它需要更多的“深度”配置（依賴有時會很麻煩）。但是，最終結果不言而喻！

程式碼連結：https://github.com/robertosannazzaro/person-removal-detectron2