此 Code Pattern 已纳入 IBM Maximo Visual Inspection 入门学习路径。
级别 | 主题 | 类型 |
---|---|---|
100 | 计算机视觉简介 | 文章 |
101 | IBM Maximo Visual Inspection 简介 | 文章 |
201 | 构建并部署 IBM Maximo Visual Inspection 模型并在 iOS 应用中使用 | 教程 |
202 | 通过对象检测定位并统计物体 | Code Pattern |
203 | 使用 OpenCV 和深度学习对视频中的对象进行跟踪 | Code Pattern |
301 | 验证计算机视觉深度学习模型 | Code Pattern |
302 | 使用 IBM Maximo Visual Inspection 针对 AI 项目开发分析仪表板 | Code Pattern |
303 | 自动化视觉识别模型训练 | Code Pattern |
304 | 在仪表板中加载 IBM Maximo Visual Inspection 推断结果 | Code Pattern |
305 | 构建对象检测模型以从汽车图像中识别车牌 | Code Pattern |
306 | 自动化视频分析 | Code Pattern |
307 | 通过 AI 对实时摄像头流和视频收集洞察 | Code Pattern |
摘要
不管您是统计马路上的汽车数量,还是计算传送带上的产品数量,关于利用计算机视觉技术处理视频的用例都非常之多。以视频作为输入内容,您可以使用自动标记功能创建更有效的分类器,减少手动工作。本 Code Pattern 展示了如何创建分类器并使用它来识别移动对象,然后在对象进入指定关注区域后进行跟踪和计数。
描述
无论是车流量、人流量还是传送带上的产品数量,有许多应用程序都可用于跟踪潜在客户数、实际客户数、产品数或其他资产数。随着视频摄像头的普及,企业可以借助计算机视觉技术从这些摄像头中获取一些有用信息。将此技术应用于视频要比一些老办法(例如,使用特殊硬件或者人工计算车流量)实用得多。
本 Code Pattern 介绍如何使用 IBM Maximo Visual Inspection Video Data Platform、OpenCV 和 Jupyter Notebook 创建视频车辆计数器。您将使用少量手动标记操作和大量自动标记操作来训练对象分类器,用于识别高速公路上的车辆。您会将另一个车辆视频加载到 Jupyter Notebook 中,在这里您将处理单独的帧,并对视频加以注解。
您将使用已部署的模型进行推理,定期检测帧样本上的车辆,然后使用 OpenCV 在推理期间逐帧跟踪车辆。除了在检测到时进行车辆计数,您还将在每条车道上的车辆穿过“终点线”时进行计数,车辆每秒显示一次。
完成本 Code Pattern 后,您将掌握如何:
- 使用自动标记功能从视频中创建对象检测分类器
- 使用 Jupyter Notebook、OpenCV 和 IBM Maximo Visual Inspection 处理视频的帧
- 使用 IBM Maximo Visual Inspection 检测视频帧中的对象
- 使用 OpenCV 逐帧跟踪对象
- 在移动对象进入关注区域后进行计数
- 使用边框、标签和统计数据对视频加以注解
流程
- 使用 IBM Maximo Visual Inspection Web UI 上传视频
- 使用自动标记功能并训练模型。
- 部署该模型以创建 IBM Maximo Visual Inspection 推理 API。
- 使用 Jupyter Notebook 对视频中的车辆进行检测、跟踪和计数。
操作说明
可以在 README 中找到本 Pattern 的详细步骤。这些步骤将展示如何:
- 在 Video Data Platform 中创建数据集。
- 训练并部署模型。
- 自动标记对象。
- 运行该 Notebook。
- 创建带注解的视频。
本文翻译自:Object tracking in video with OpenCV and Deep Learning(2019-5-11)