TensorFlow 物体计数 API

TensorFlow 物体计数 API 是一个基于 TensorFlow 和 Keras 构建的开源框架，能够轻松开发物体计数系统。如需超高精度和可靠性的专业物体检测、跟踪与计数项目，请联系我们！

快速演示

---

累计计数模式（TensorFlow 实现）：

---

实时计数模式（TensorFlow 实现）：

---

---

物体跟踪模式（TensorFlow 实现）：

• 跟踪模块基于这种方法构建。

---

单张图像上的物体计数（TensorFlow 实现）：

---

基于 R-CNN 的物体计数（Keras 和 TensorFlow 实现)：

基于 Mask R-CNN 的物体分割与计数（Keras 和 TensorFlow 实现)：

---

附加：自定义物体计数模式（TensorFlow 实现）：

您可以通过自己的训练数据来训练 TensorFlow 模型，从而构建属于您自己的自定义物体计数系统！如果您想了解如何操作，请查看以下示例项目，这些项目涵盖了迁移学习的一些理论知识，并展示了如何将其应用于实际项目中。

示例项目#1：蓝精灵计数

更多信息请参见这里！

示例项目#2：百乐面计数

更多信息请参见这里！

---

开发工作正在进行中！该 API 将很快更新，届时将推出更强大且轻量级的版本！

• 详细的 API 文档和讲解 API 基本用法的 Jupyter 笔记本将陆续添加！

您可以在这个仓库中找到一个使用 TensorFlow 物体计数 API 的案例研究项目。

---

使用方法

1.) “累计计数模式”的使用

1.1) 用于检测、跟踪和计数行人，并禁用颜色识别功能

“累计计数模式”在“行人计数”场景中的使用：

is_color_recognition_enabled = False # 设置为 True 可启用对检测到的物体的颜色预测
roi = 385 # ROI 线位置
deviation = 1 # 表示物体计数区域的常数

object_counting_api.cumulative_object_counting_x_axis(input_video, detection_graph, category_index, is_color_recognition_enabled, roi, deviation) # 计算所有物体

“行人计数”场景的结果：

---

“行人计数”案例研究的源代码：pedestrian_counting.py

---

1.2) 用于检测、跟踪和计数车辆，并启用颜色识别功能

“累计计数模式”在“车辆计数”场景中的使用：

is_color_recognition_enabled = True # 设置为 True 可启用对检测到的物体的颜色预测
roi = 200 # ROI 线位置
deviation = 3 # 表示物体计数区域的常数

object_counting_api.cumulative_object_counting_y_axis(input_video, detection_graph, category_index, is_color_recognition_enabled, roi, deviation) # 计算所有物体

“车辆计数”场景的结果：

---

“车辆计数”案例研究的源代码：vehicle_counting.py

---

2.) “实时计数模式”的使用方法

2.1) 在禁用颜色预测的情况下检测、跟踪并计数目标物体

“目标物体为自行车”的使用方法：

is_color_recognition_enabled = False # 设置为True以启用对检测到的物体的颜色预测
targeted_objects = "bicycle" 

object_counting_api.targeted_object_counting(input_video, detection_graph, category_index, is_color_recognition_enabled, targeted_objects) # 目标物体计数

“目标物体为自行车”的结果：

“目标物体为人”的使用方法：

is_color_recognition_enabled = False # 设置为True以启用对检测到的物体的颜色预测
targeted_objects = "person"

object_counting_api.targeted_object_counting(input_video, detection_graph, category_index, is_color_recognition_enabled, targeted_objects) # 目标物体计数

“目标物体为人”的结果：

“检测、计数和跟踪所有物体”的使用方法：

is_color_recognition_enabled = False # 设置为True以启用对检测到的物体的颜色预测

object_counting_api.object_counting(input_video, detection_graph, category_index, is_color_recognition_enabled) # 计数所有物体

“检测、计数和跟踪所有物体”的结果：

---

“检测、计数和跟踪*多个目标物体”的使用方法：*

targeted_objects = "person, bicycle" # （用于计数目标物体）请根据您的需求更改目标物体
is_color_recognition_enabled = False # 设置为True以启用对检测到的物体的颜色预测

object_counting_api.targeted_object_counting(input_video, detection_graph, category_index, is_color_recognition_enabled, targeted_objects) # 目标物体计数

---

2.2) 在禁用颜色预测的情况下检测、跟踪并计数“所有物体”

“禁用颜色预测的情况下检测、计数和跟踪所有物体”的使用方法：

is_color_recognition_enabled = False # 设置为True以启用对检测到的物体的颜色预测

object_counting_api.object_counting(input_video, detection_graph, category_index, is_color_recognition_enabled) # 计数所有物体

“禁用颜色预测的情况下检测、计数和跟踪所有物体”的结果：

“启用颜色预测的情况下检测、计数和跟踪所有物体”的使用方法：

is_color_recognition_enabled = True # 设置为True以启用对检测到的物体的颜色预测

object_counting_api.object_counting(input_video, detection_graph, category_index, is_color_recognition_enabled) # 计数所有物体

“启用颜色预测的情况下检测、计数和跟踪所有物体”的结果：

3.) “物体跟踪模式”的使用方法

只需运行object_tracking.py

---

“实时计数模式”的示例用法：real_time_counting.py

---

最小物体检测阈值可以在这一行中以百分比形式设置。默认的最小物体检测阈值是0.5！

TensorFlow 物体计数 API 的通用功能

以下是 TensorFlow 物体计数 API 的一些强大功能：

• 只检测目标物体
• 检测所有物体
• 只计数目标物体
• 计数所有物体
• 预测目标物体的颜色
• 预测所有物体的颜色
• 预测目标物体的速度
• 预测所有物体的速度
• 将检测和计数结果以 .csv 文件的形式输出为分析报告
• 将检测到的物体保存为新图像，并存储在 detected_object 文件夹 中
• 选择、下载并使用由 Google Brain 团队训练的先进模型
• 使用您自己训练的模型或微调后的模型来检测特定物体
• 将检测和计数结果保存为新视频，或实时显示检测和计数结果
• 根据您的需求处理图像或视频

以下是 TensorFlow 物体计数 API 的一些优秀架构设计特点：

• 轻量级，可实时运行
• 可扩展且设计精良的框架，易于使用
• 具备 Python 式编程的优势
• 支持 REST 架构和 RESTful Web 服务

待办事项：

• 将提供 TensorFlox2.x 支持。
• 将开发自主训练的图像标注工具。
• 将开发图形用户界面。

理论

系统架构

• 物体检测与分类是在 TensorFlow 对象检测 API 的基础上开发的，更多信息请参阅 此处。

• 物体颜色预测则是利用 OpenCV 结合 K 近邻机器学习分类算法，并基于颜色直方图特征进行训练实现的，更多信息请参阅 此处。

TensorFlow™ 是一个开源的数值计算软件库，采用数据流图的方式进行运算。图中的节点代表数学运算，而边则表示在节点之间传递的多维数据数组（张量）。

OpenCV（开源计算机视觉库） 是一个开源的计算机视觉和机器学习软件库。OpenCV 的设计初衷是为计算机视觉应用提供通用的基础架构，并加速机器感知技术在商业产品中的应用。

跟踪器

源视频通过 OpenCV 逐帧读取。每一帧都由基于 TensorFlow 开发的 "SSD with Mobilenet" 模型进行处理。这一过程会持续循环，直到视频结束。跟踪器的主要流程如上图所示。

模型

默认情况下，本项目使用的是 "SSD with Mobilenet" 模型。关于 SSD 的更多信息，请参阅 这篇博客文章。

有关其他可直接运行、速度和精度各异的模型列表，请参阅 检测模型动物园。您可以使用 TensorFlow 对象检测 API 轻松选择、下载并使用适合您需求的最先进模型。

您还可以对已训练好的 TensorFlow 模型进行迁移学习，以构建自定义的对象计数系统！

项目演示

项目的演示视频已在我的 YouTube 频道上发布，链接为 这里。

安装

依赖项

TensorFlow 对象计数 API 依赖于以下库（详见 requirements.txt)：

• TensorFlow 对象检测 API
• tensorflow==1.5.0
• keras==2.0.8
• opencv-python==4.4.0.42
• Protobuf 3.0.0
• Python-tk
• Pillow 1.0
• lxml
• tf Slim（包含在 "tensorflow/models/research/" 代码库中）
• Jupyter notebook
• Matplotlib
• Cython
• contextlib2
• cocoapi

有关 TensorFlow 的详细安装步骤，请参考 TensorFlow 安装指南。

要运行 TensorFlow 对象计数 API，必须先安装 TensorFlow 对象检测 API，更多信息请参阅 此文档。

重要提示：TensorFlow 2.x 版本可能引发的兼容性问题

本项目是基于 TensorFlow 1.5.0 版本开发的。如果您需要使用 TensorFlow 2.x 版本来运行该项目，只需将所有 tensorflow 导入语句替换为 tensorflow.compat.v1，并在代码开头添加 tf.disable_v2_behavior() 即可。

例如，将原来的导入语句：

import tensorflow

替换为：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

引用

如果您在论文或其他出版物中使用了本代码，请按以下格式引用：

@ONLINE{
    author = "Ahmet Özlü",
    title  = "TensorFlow 对象计数 API",
    year   = "2018",
    url    = "https://github.com/ahmetozlu/tensorflow_object_counting_api"
}

作者

Ahmet Özlü

许可证

本系统采用 MIT 许可证授权。更多详情请参阅 LICENSE 文件。

TensorFlow Object Counting API 快速上手指南

TensorFlow Object Counting API 是一个基于 TensorFlow 和 Keras 构建的开源框架，旨在帮助开发者轻松构建物体检测、跟踪与计数系统。它支持累计计数、实时计数、特定目标计数及颜色预测等功能。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux, macOS 或 Windows
• Python 版本: Python 3.6 - 3.8 (推荐)
• 核心依赖:
  • TensorFlow (GPU 或 CPU 版本)
  • Keras
  • OpenCV (opencv-python)
  • NumPy
  • Pillow
  • Matplotlib

前置检查： 确保已安装 CUDA 和 cuDNN（如果使用 GPU 加速）。

2. 安装步骤

2.1 克隆项目

首先从 GitHub 克隆仓库到本地：

git clone https://github.com/ahmetozlu/tensorflow_object_counting_api.git
cd tensorflow_object_counting_api

2.2 安装依赖

建议使用虚拟环境（如 venv 或 conda）以避免依赖冲突。

使用 pip 安装基础依赖：

pip install -r requirements.txt

(注：如果项目中没有 requirements.txt，请手动安装核心库)

pip install tensorflow opencv-python numpy pillow matplotlib scipy

国内加速方案： 如果您在中国大陆，推荐使用清华源或阿里源加速安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow opencv-python numpy pillow matplotlib scipy

2.3 下载预训练模型

该 API 需要加载预训练的 TensorFlow 检测图（Detection Graph）。

1. 访问 TensorFlow Detection Model Zoo。
2. 下载一个适合的模型（例如 ssd_mobilenet_v1_coco_2018_01_28.tar.gz）。
3. 解压并将 .pb 文件（通常是 frozen_inference_graph.pb）放置在项目目录或代码指定的路径下。
4. 确保 category_index 变量对应您下载的模型类别（通常使用 COCO 数据集索引）。

3. 基本使用

以下是三种最常用的计数模式示例。请确保将 input_video 替换为您的视频文件路径，并正确加载 detection_graph 和 category_index。

3.1 累计计数模式 (Cumulative Counting Mode)

适用于统计穿过某条线的物体总数（如人流统计、车流统计）。

import object_counting_api

# 配置参数
is_color_recognition_enabled = False  # 设为 True 以启用颜色预测
roi = 385                             # 感兴趣区域（计数线）的位置
deviation = 1                         # 计数区域的容差常数

# 执行累计计数 (沿 X 轴)
object_counting_api.cumulative_object_counting_x_axis(
    input_video, 
    detection_graph, 
    category_index, 
    is_color_recognition_enabled, 
    roi, 
    deviation
)

3.2 实时计数模式 (Real-Time Counting Mode)

适用于实时统计画面中特定物体的数量。

示例：统计画面中的“自行车”数量

import object_counting_api

# 配置参数
is_color_recognition_enabled = False
targeted_objects = "bicycle"  # 指定目标对象类别

# 执行特定目标计数
object_counting_api.targeted_object_counting(
    input_video, 
    detection_graph, 
    category_index, 
    is_color_recognition_enabled, 
    targeted_objects
)

示例：统计画面中所有物体

import object_counting_api

is_color_recognition_enabled = False

# 执行全量计数
object_counting_api.object_counting(
    input_video, 
    detection_graph, 
    category_index, 
    is_color_recognition_enabled
)

3.3 物体跟踪模式 (Object Tracking Mode)

用于检测并跟踪视频中的物体轨迹。直接运行官方提供的示例脚本即可：

python object_tracking.py

3.4 调整检测阈值

默认的最小检测阈值为 0.5 (50%)。如需调整灵敏度，请修改 utils/visualization_utils.py 文件中的第 443 行左右：

# 在 utils/visualization_utils.py 中
min_score_thresh = 0.5  # 修改此值 (0.0 - 1.0)

---

提示：更多高级用法（如自定义模型训练、Mask R-CNN 分割计数）请参考项目仓库中的 smurf_counter_training 或 mask_rcnn_counting_api 文件夹下的示例项目。