在深度学习的对象检测领域，我们主要探讨以下三种重要的方法：

• Faster R-CNN（后续将详细介绍）
• You Only Look Once (YOLO)，尤其是其最新版本YOLOv3（后续将分享更多内容）
• Single Shot Detector (SSD)（本节重点介绍，特别适合低配置电脑）

R-CNN 是一种利用深度学习进行物体检测的训练模型，但这种方法理解起来较为困难，实现和训练也相对复杂。

如果我们追求的是检测速度，那么YOLO将是更好的选择，因为它运行更快，但物体定位的精确度和召回率可能会稍逊一筹。

R-CNN 和 YOLO 各有利弊，而由谷歌开发的 SSD 则试图在这两者之间找到平衡。

MobileNets：高效神经网络

在构建对象检测网络时，通常会使用像VGG或ResNet这样的现有网络架构，但这些网络可能会非常庞大，大约在200至500MB之间。

相比之下，我们可以使用MobileNets，这是一种由Google于2017年提出的专为移动设备设计的神经网络模型。MobileNets的主要特点是使用深度可分离卷积（Depthwise Separable Convolution）来减少计算量。具体来说，这种卷积方法将标准卷积核分为深度卷积和逐点卷积两部分，从而大大减少了参数数量和计算量。

MobileNets引入了两个超参数来进一步减少参数和计算量：

• 宽度乘数（Width Multiplier）：减少输入和输出的通道数量。
• 分辨率乘数（Resolution Multiplier）：减少输入和输出特征图的大小。

结合MobileNets和SSD，实现快速高效的基于深度学习的物体检测

MobileNet SSD Caffe模型的可视化地址为：http://ethereon.github.io/netscope/#/gist/5b1ffa5d22f6ac1f25f30fbd24a716be

在MobileNet SSD模型中，conv13作为骨干网络的最后一层，作者模仿了VGG-SSD的结构，在其基础上增加了8个卷积层，最终抽取了6层用于检测。其中，conv11、conv13、conv142、conv152、conv162、conv172这六层被用来提取默认框。每层每个单元格产生的默认框数量分别为3、6、6、6、6、6。因此，在这六层之后连接的用于坐标回归的3×3卷积核（如conv11mboxloc）的输出数量分别为12、24、24、24、24、24。

同样地，在这六层之后连接的用于分类得分的3×3卷积核（如conv11mboxconf）的输出数量分别为63、126、126、126、126、126。

通过将MobileNet架构与SSD Caffe框架相结合，我们可以实现快速高效的基于深度学习的对象检测方法。

MobileNet SSD模型的数据集：COCO 数据集

在图像中检测到20种对象（包括背景类），如飞机、自行车、鸟、船、瓶子、公共汽车、汽车、猫、椅子、奶牛、餐桌、狗、马、摩托车、人、盆栽植物、绵羊、沙发、火车和电视监视器。

使用OpenCV进行基于深度学习的对象检测

如果您想获取相关的caffe prototxt和caffemodel文件，只需回复“MobileNet SSD”即可获得下载链接。

在本节中，我们将使用OpenCV中的MobileNet SSD和深度神经网络（dnn）模块来构建我们的对象检测器。当神经网络完成检测后，我们将遍历检测结果，得到检测对象的边界框（box）和标签（label）。

使用已训练好的模型，我们可以通过大约20行代码轻松实现对象检测。再次感谢Google团队对MobileNet SSD模型的研究和训练（关于如何训练自己的模型，我们将在后续分享）。

微信搜索：启示AI科技

可以体验不同的AI工具