ImageAI 提供方便，灵活和强大的方法来对视频进行对象检测和跟踪。目前仅支持当前最先进的 RetinaNet 算法进行对象检测和跟踪，后续版本会加入对其他算法的支持。虽然这只是预览版本，但提供了很多令人难以置信的选项。在开始视频对象检测和跟踪任务前，您必须通过以下链接下载 RetinaNet 模型文件：
- RetinaNet （文件大小=145MB）
由于视频对象检测是非常消耗硬件资源的任务，所以我们建议您使用安装了 NVIDIA GPU 和 GPU 版 Tensorflow 的计算机来完成此实验。使用CPU进行视频对象检测将比使用 NVIDIA GPU 驱动的计算机慢。您也可以使用 Google Colab 进行此实验，因为它具有可用的 NVIDIA K80 GPU。下载 RetinaNet 模型文件后，应将模型文件复制到.py文件所在的项目文件夹中。然后创建一个python文件并为其命名; 例如 FirstVideoObjectDetection.py 。然后将下面的代码写入python文件中：
代码语言：txt复制from imageai.Detection import VideoObjectDetection
import os
execution_path = os.getcwd()
detector = VideoObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))
detector.loadModel(detection_speed="fastest")
custom_objects = detector.CustomObjects(person=True, car=True)
video_path = detector.detectCustomObjectsFromVideo(custom_objects=custom_objects, input_file_path=os.path.join(execution_path, "traffic.mp4"), output_file_path=os.path.join(execution_path, "traffic_custom_detected"), frames_per_second=20, log_progress=True, frame_detection_interval=5, minimum_percentage_probability=50)
print(video_path)输入的视频
输出的视频
文档
imageai.Detection.VideoObjectDetection class
在任何的Python程序中通过实例化VideoObjectDetection类并调用下面的函数即可进行视频对象检测：
- setModelTypeAsRetinaNet() 如果您选择使用RetinaNet 模型文件来进行对象检测，你只需调用一次该函数。
- setModelPath() 该函数用于设定模型文件的路径。模型文件必须与您设置的模型类型相对应。loadModel() 该函数用于载入模型。该函数接收一个prediction_speed参数。该参数用于指定对象检测的速度模式，当速度模式设置为’fastest’时预测时间可缩短60%左右，具体取决于图像的质量。 detection_speed（可选）; 可接受的值是”normal”, “fast”, “faster” and “fastest”
- detectObjectsFromVideo() 此函数用于通过接收以下参数来进行视频对象检测： input_file_path，该参数用于指定输入视频的文件路径output_file_path，该参数用于指定输出视频的文件路径 frames_per_second 该参数用于指定输出视频中的每秒帧数fpsframe_detection_interval（可选，默认为1）），该参数用于指定视频检测的帧间隔，即间隔多少帧检测一次。 minimum_percentage_probability（可选，默认为50），用于设定预测概率的阈值，只有当百分比概率大于等于该值时才会返回检测到的对象。 log_progress（可选），该参数用于指定是否将检测进度输出到控制台
