《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】	22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】	24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】	26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】	28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】	30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】	32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】	34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】	38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】	40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】	42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】	44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】	46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】	48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】	50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】	52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】	54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】	56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】	58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】	60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】	62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】	64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】	66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】	68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】	70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】	72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

有时候，我们需要亲自动手从头开始创建一个数据集。本文将介绍如何使用Faster RCNN 进行目标自动检测与裁剪，然后保存裁剪区域，从而制作自己想要的数据集。当然我们也可以使用其他目标检测模型达到同样的效果。大家可以选择自己熟悉的模型自行尝试。

原始图像

裁剪的图像输出

下载预训练模型

在这个任务中，我使用了一个预先训练好的Faster RCNN模型，具体来说是 **faster_rcnn_resnet50_coco_2018_01_28** ，可以在TensorFlow的Model Zoo中找到。以下是如何下载和设置它：

下载模型的步骤

1. 访问TensorFlow Model Zoo：前往TensorFlow 1 Detection Model Zoo。
2. 查找模型：搜索 **faster_rcnn_resnet50_coco_2018_01_28** 。
3. 下载模型：下载模型存档并提取它。在里面，您会找到包含预训练模型的saved_model目录。

在Python环境中设置

下载后，确保saved_model目录与脚本位于同一文件夹中，现在你可以把它加载到Python中。

完整代码：自动目标检测和裁剪

下面是我使用的Python脚本，并对每个部分功能进行了详细解释：

import tensorflow as tf
import numpy as np
import cv2
from PIL import Image
from matplotlib import pyplot as plt
from random import randint
import time

# Load the pre-trained model
model = tf.saved_model.load("faster_rcnn_resnet50_coco_2018_01_28/saved_model")
detect_fn = model.signatures['serving_default']

# Load the image
image = Image.open('bs2.webp')
image_np = np.array(image)

# Prepare the image as input to the model
input_tensor = tf.convert_to_tensor(np.expand_dims(image_np, 0), dtype=tf.uint8)

startTime = time.time()

# Run the object detection
detection = detect_fn(input_tensor)

# Parse the detection results
boxes = detection['detection_boxes'].numpy()
classes = detection['detection_classes'].numpy().astype(int)
scores = detection['detection_scores'].numpy()

endTime = time.time()
timeDifference = endTime - startTime
print(f'Algorithm Running Time: {timeDifference:.2f} seconds')

for i in range(classes.shape[1]):
    class_id = int(classes[0, i])
    score = scores[0, i]

    # Only draw boxes with a confidence score greater than a threshold
    if score > 0.5:  # Adjust threshold as needed
        h, w, _ = image_np.shape
        ymin, xmin, ymax, xmax = boxes[0, i]

        # Convert normalized coordinates to image coordinates
        xmin = int(xmin * w)
        xmax = int(xmax * w)
        ymin = int(ymin * h)
        ymax = int(ymax * h)

        random_color = (randint(0, 256), randint(0, 256), randint(0, 256))

        # Draw bounding box and label on the image
        cv2.rectangle(image_np, (xmin, ymin), (xmax, ymax), random_color, 2)
        cv2.putText(image_np, f'Class {class_id} {score:.2f}', (xmin, ymin - 10),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, random_color, 2)

        # Crop the detected object
        cropped_image = image_np[ymin:ymax, xmin:xmax]

        # Save the cropped image
        cropped_image_filename = f'cropped_object_{i}.jpg'
        cv2.imwrite(cropped_image_filename, cropped_image)
        print(f'Saved cropped image: {cropped_image_filename}')

# Display the result
plt.imshow(image_np)
plt.axis('off')
plt.show()

代码详解

1.加载预训练模型

我们使用TensorFlow的**saved_model.load（）**来加载RCNN模型。detect_fn函数是模型的默认签名，用于对输入图像进行预测。

2.准备图像

使用Pillow（Image.open（））加载输入图像，并将其转换为NumPy数组进行处理。然后我们使用np.expand_dims（）扩展它的维度，以匹配输入张量的预期形状。

3.运行检测

图像通过检测函数（detect_fn），该函数输出：

• **detection_boxes**：检测到的边界框的坐标。
• **detection_classes**：检测到的对象的类ID。
• **detection_scores**：检测的置信度分数。

4.解析结果和绘制边界框

对于每次检测：

• 我们提取边界框坐标并缩放它们以匹配原始图像大小。
• 如果检测分数大于0.5，则使用OpenCV绘制边界框。
• 将保存检测到的对象的裁剪版本以供以后使用。

5.保存裁剪的图像

裁剪后的部分以cropped_object_0.jpg、cropped_object_1.jpg等文件名保存，使得易于查看并将它们用于进一步处理。

结果

该脚本识别图像中的目标（或RCNN模型指定的任何对象），裁剪检测到的部分并保存它们。对于可视化，使用Matplotlib显示带注释的图像。

优点

• 效率：高效的视线图片的批量检测与裁剪。
• 灵活性：您可以根据需要调整置信度阈值和检测逻辑。
• 可扩展性：适用于多个图像，使数据集创建变得轻而易举。

---

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！