Как я могу использовать экран в качестве видеовхода для Darkflow - PullRequest
Новая
       9

Как я могу использовать экран в качестве видеовхода для Darkflow

0 голосов
/ 30 июня 2018

Я тренировал darkflow на своем наборе данных и получаю хороший результат! Я могу передать ему предварительно записанное изображение или видео, и оно обведет ограничивающие рамки вокруг нужных вещей, победа!

Теперь я хотел бы запустить его вживую, как это было сделано с каналами с камеры, за исключением того, что я хотел бы, чтобы мой канал был с экрана, а не с камеры. У меня есть конкретное окно, которое запускается из определенного процесса, или я могу просто взять часть экрана (из координат), либо подходит для моего приложения.

В настоящее время я использую захват изображений PIL, а затем подаю изображения в darkflow, но это выглядит довольно медленно (возможно, несколько кадров в секунду), совсем не то же самое, что 30 кадров в секунду, которые вы можете получить с видеофайлами!

Ответы [ 2 ]

0 голосов
/ 18 декабря 2018

Я получил более 40 кадров в секунду с этим сценарием (на i5-7500 3,4 ГГц, GTX 1060, 48 ГБ ОЗУ). Для захвата экрана используется множество API. Среди них mss работает намного быстрее и не сложен в использовании. Вот реализация mss с darkflow ( YOLOv2 ), в которой 'mon' определяет область, к которой вы хотите применить прогноз на экране.

options передается в темный поток, который указывает, какой конфигурационный файл и контрольную точку мы хотим использовать, порог обнаружения и насколько этот процесс занимает GPU. Перед запуском этого скрипта у нас должна быть хотя бы одна обученная модель (или контрольная точка Tensorflow). Здесь load - номер контрольной точки.

Если вы считаете, что сеть обнаруживает слишком много ограничивающих рамок, я рекомендую вам снизить порог . 

import numpy as np
import cv2
import glob
from moviepy.editor import VideoFileClip
from mss import mss
from PIL import Image
from darkflow.net.build import TFNet
import time

options = {
    'model' : 'cfg/tiny-yolo-voc-1c.cfg' ,
    'load' : 5500,
    'threshold' : 0.1,
    'gpu' : 0.7 }
tfnet = TFNet( options )
color = (0, 255, 0) # bounding box color.

# This defines the area on the screen.
mon = {'top' : 10, 'left' : 10, 'width' : 1000, 'height' : 800}
sct = mss()
previous_time = 0
while True :
    sct.get_pixels(mon)
    frame = Image.frombytes( 'RGB', (sct.width, sct.height), sct.image )
    frame = np.array(frame)
    # image = image[ ::2, ::2, : ] # can be used to downgrade the input
    frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    results = tfnet.return_predict( frame )
    for result in results :
        tl = ( result['topleft']['x'], result['topleft']['y'] )
        br = ( result['bottomright']['x'], result['bottomright']['y'] )
        label = result['label']
        confidence = result['confidence']
        text = '{} : {:.0f}%'.format( label, confidence * 100 )
        frame = cv2.rectangle( frame, tl, br, color, 5 )
        frame = cv2.putText( frame, text, tl, cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 0), 2 )
    cv2.imshow ( 'frame', frame )
    if cv2.waitKey ( 1 ) & 0xff == ord( 'q' ) :
        cv2.destroyAllWindows()
    txt1 = 'fps: %.1f' % ( 1./( time.time() - previous_time ))
    previous_time = time.time()
    print txt1
0 голосов
/ 02 июля 2018

Я получаю более 25 кадров в секунду с Python MSS на моем медленном ноутбуке под Ubuntu.

Вот пример: 

from mss import mss
from PIL import Image
import time

def capture_screenshot():
    with mss() as sct:
        monitor = sct.monitors[1]
        sct_img = sct.grab(monitor)
        # Convert to PIL/Pillow Image
        return Image.frombytes('RGB', sct_img.size, sct_img.bgra, 'raw', 'BGRX')

N = 100
t = time.time()
for _ in range(N):
    capture_screenshot()
print ("Frame rate = %.2f fps" % (N/(time.time()-t)))

Выход: 

Frame rate = 27.55 fps
...