如何用python写一个可视化图形用户界面,实现一键使用训练好的模型检测物体

如题,本人小白一枚。在网上自学了Faster R-CNN,模型也训练好了,想用python写一个系统,实现一键检测物体,让别人也玩玩,可惜不会写QAQ有大神指教一下 感激不尽~

0
sinat_33553223
sinat_33553223 你好请问问题得到解决了吗,我最近也被此困惑着
22 天之前 回复
Waitfou
Waitfou 请问你解决这个问题了么
2 个月之前 回复

1个回答

python写界面可以用pyqt、Tkinter,或者用InnoPython+C#写原生windows程序

这里有些参考书:https://download.csdn.net/download/caozhy/10461179

0
Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!
其他相关推荐
python 用opencv调用训练好的模型进行识别
使用时更改模型地址即可#!usr/bin/env python import cv2 font=cv2.FONT_HERSHEY_SIMPLEX cascade1 = cv2.CascadeClassifier("D:\\opencv249\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_alt_tree.xml") cas
Detectron:用自己训练好的模型进行测试
上篇文章提到了把自己的数据标注格式转换为Detectron需要的COCO格式:    Detectron:训练自己的数据集——将自己的数据格式转换成COCO格式趁今天在测试,还是热乎乎的,感觉来记录一下~~主要使用一下命令:python2 tools/test_net.py \ --cfg configs/12_2017_baselines/e2e_mask_rcnn_R-101-FPN_...
将Tensorflow训练好的模型去检测视频
文章目录前言代码和注释参考 前言 假设我们已经训练好一个tensorflow的模型,即后缀为pb的文件。如何训练请见我前面的博客。 代码和注释 import numpy as np import os import sys import tensorflow as tf import cv2 import time from object_detection.utils import labe...
Caffe深度学习入门(1)——python调用caffe训练好的模型检测单帧图片
python调用caffe训练好的cifar10_quick_iter_4000.caffemodel模型检测单帧图片python直接调用caffe训练好的模型,进行单帧图片检测,并显示检测结果。caffe自带的classify.py文件检测结果直接保存到了foo文件,不能直观显示,这里加入几行显示的代码,方便直接测试查看结果,运行OK,笔记mark。#!/usr/bin/env python ""
CV:基于Keras利用训练好的hdf5模型进行目标检测实现输出模型中的脸部表情或性别的gradcam(可视化)
CV:基于Keras利用训练好的hdf5模型进行目标检测实现输出模型中的脸部表情或性别的gradcam(可视化) 设计思路 核心代码 #CV:基于keras利用训练好的hdf5模型进行目标检测实现输出模型中的表情或性别的gradcam——Jason Niu import sys import cv2 import numpy as np from keras.model...
TensorFlow用训练好的CNN模型检测
已预先训练好了一个识别猫、狗的二分类CNN模型,持久化在了一个cat_vs_dog.pb的文件中。现需要用其进行图片检测。1.代码读取训练好的pb文件,用来进行图片的检测,代码为:import tensorflow as tf import numpy as np from PIL import Image FILEPATH = 'F:/PycharmProjects/deepLearning/...
caffe学习(六):使用python调用训练好的模型来分类(Ubuntu)
在caffe的学习过程中,我发现我需要一个模板的程序来方便我测试训练的模型。我在上一篇博客中(caffe学习(五):cifar-10数据集训练及测试(Ubuntu) ),最后测试训练好的模型时是修改caffe自带的classify.py来进行测试的,如果每次都修改未免太麻烦了,所以我就上网找了相关的资料。参考博客:Caffe学习系列(20):用训练好的caffemodel来进行分类下载模型1、先去下
Python数据可视化编程(三)
导入图像数据到numpy数组 """ 导入图像数据到numpy数组 """ #method one import scipy.misc import matplotlib.pyplot as plt ascent = scipy.misc.ascent() plt.gray() plt.imshow(ascent) plt.colorbar() plt.show() #检查对象 p...
利用SSD和自己训练好的模型进行目标检测
本文翻译自:/caffe-ssd/examples/ssd_detect.ipynb 首先怎么安装jupyter以及使用jupyter 安装:sudo pip install jupyter 使用:到/caffe-ssd/examples目录下:输入:jupyter notebook 点击ssd_detect.ipynb,如下图: 利用SSD进行目标检测: 1:加载必要的
c# 读取opencv 生成的svm训练好的xml分类器
需要用到opencv里面SVM训练分类器的数据: using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System
caffe--python版利用训练好模型进行测试
小鱼最近在caffe上用faster rcnn网络进行目标的检测,但是网络是先按设置好的训练迭代次数进行训练,得到训练模型之后进行一次性的测试(这里小鱼认为是验证更合理),最终网络得到的输出只有train net output的四个输出。下面为某次迭代的输出结果:I1224 13:55:23.250411 16953 solver.cpp:229] Iteration 20000, loss = 0
tensorflow如何使用训练好的模型做测试
方法1 保存 1、定义变量 2、使用saver.save()方法保存 import tensorflow as tf import numpy as np W = tf.Variable([[1,1,1],[2,2,2]],dtype = tf.float32,name='w') b = tf.Variable([[0,1,2]],dtype = tf.float32
OpenCV-Python调用训练好的深度学习模型进行常见物体识别
网上教程太多了,今天总算是试出来了,常见物体的识别人、车、动物、植物等,对人和车的识别尤其优秀 简单介绍一下步骤: 1、把这段代码粘贴到pycharm的py文件里面(编辑器随意) 2、打开一个terminal终端(可以使用win+cmd,我推荐直接使用pycharm自带的终端),按照Python代码里面argparse的要求输入指令,如图所示: 示例:python deep_learning_o...
如何使用YoloV3 训练自己的目标检测模型
使用YoloV3 训练自己的目标检测模型 参考资料: https://github.com/AlexeyAB/darknet#how-to-train-to-detect-your-custom-objects 编译darknet.exe : 1使用vs2015 打开,修改darknet.vcxproj里的cuda版本为你的...
使用python调用训练好的模型来分类(Ubuntu)
https://www.aliyun.com/jiaocheng/126550.html?spm=5176.100033.2.29.GFuia4 摘要:在caffe的学习过程中,我发现我需要一个模板的程序来方便我测试训练的模型。我在上一篇博客中(caffe学习(五):cifar-10数据集训练及测试(Ubuntu)),最后测试训练好的模型时是修改caffe自带的classify.py来进行测试的...
Caffe用训练好的模型测试图片
这是一个python脚本,用训练好的caffemodel来测试图片,接下来直接上代码,里面有详细解释,大部分你要修改的只是路径,另外在这个脚本的基础上你可以根据自己的需要进行改动。需要的东西:训练好的caffemodel,deploy.prototxt(可以从你的train.prototxt修改得到),可以用的caffe,待测试的图像(比如jpg)import sys caffe_root='/yo
ssd_detect用训练好的模型识别图片中的类
  用shell script语言完成大批量图片检测,并将结果(图片中所包含类别及其坐标)打印在txt文本内保存 用python语言完成单张图片检测,并将结果(图片中所包含类别及其坐标)以图片形式展示 用python语言完成多张图片检测,并将结果(图片中所包含类别及其坐标)以图片形式展示 用python语言完成大批量图片检测,并将结果(图片中所包含类别及其坐标)打印在txt文本内保存 ...
DL开源框架Caffe | 用训练好的模型对数据进行预测
识别模型与目标检测模型,如何用训练好的模型对数据进行预测
使用训练的mnist识别自己写的数字
用我上次写的mnist1024层全连接层模型,训练了20000次,在测试集上的正确率为99.3%,这次打算写一个直接使用训练模型进行图片识别的python程序,第一步是自己手动构建个测试矩阵测试,因为第一次尝试这种东西所以遇到了好多问题。。。,现附上代码吧,测试了几下没问题
动动手,用TensorFlow API训练出自己的目标检测模型
TensorFlow内包含了一个强大的物体检测API,我们可以利用这API来训练自己的数据集实现特殊的目标检测。 Dat Tran就分享了自己实现可爱的浣熊检测器的经历,在文章中作者把检测器的训练流程进行了梳理,我们可以举一反三来训练其他在工作项目中需要的检测器。下面我们一起来学习一下吧! 为什么要做这件事? 方便面君不仅可爱,在国外很普遍的与人们平静地生活在一起。处于对
利用Tensorflow训练好的模型,来预测或识别单张图片
利用Tensorflow训练好的模型,图片进行预测和识别,并输出相应的标签和预测概率。 如果想要多张图片,可以进行批次加载和预测,这里仅用单张图片进行演示。 模型文件: 预测图片: 这里直接贴代码,都有注释,应该很好理解 import tensorflow as tf import inference image_size = 128 # 输入层图片大小 # 模型保存的路...
如何将别人训练好的model用到自己的数据上
caffe团队用imagenet图片进行训练,迭代30多万次,训练出来一个model。这个model将图片分为1000类,应该是目前为止最好的图片分类model了。 假设我现在有一些自己的图片想进行分类,但样本量太小,可能只有几百张,而一般深度学习都要求样本量在1万以上,因此训练出来的model精度太低,根本用不上,那怎么办呢? 那就用caffe团队提供给我们的model吧。 因
用训练好的caffe模型来测试样本
如果要把训练好的模型拿来测试新的样本,那必须得要一个deploy.prototxt文件,这个文件实际上和test.prototxt文件差不多,只是头尾不相同而已。deploy文件没有第一层数据输入层,样本是被直接输入到net.blobs里面的,也没有最后的Accuracy层,但最后多了一个Softmax概率层。 import numpy as np import sys,os # 设置当
SVM+HOG:利用训练好的XML进行行人检测(检测效果)
说明:HOG+SVM生成的.xml文件不能用人脸的代码进行测试效果,必须用下面的代码才能测试代码。#include <iostream> #include <fstream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc
caffe提取已训练好模型的特征
按照caffe官网教程: 1、创建一个临时文件夹 $ mkdir examples/_temp 2、我们为三张图片添加一个文件列表 find `pwd`/examples/images -type f -exec echo {} \; > examples/_temp/temp.txt
caffe | 利用训练好的caffemodel进行测试
这是一个python脚本,用训练好的caffemodel来测试图片,接下来直接上代码,里面有详细解释,大部分你要修改的只是路径,另外在这个脚本的基础上你可以根据自己的需要进行改动。需要的东西:训练好的caffemodel,deploy.prototxt(可以从你的train.prototxt修改得到),可以用的caffe,待测试的图像(比如jpg)import sys caffe_root='/y...
Tensorflow实现cnn模型的训练与使用
Tensorflow实现cnn模型的训练与使用本文仅为cnn基于tensorflow的代码部分笔记,主要内容各层的搭建与参数的的设置,cnn介绍:点我链接1.简介本文主要实现lenet5的在手写数字识别数据集mnist上的训练和使用,代码分为cnntest.py和lenet5_app.py两份代码.cnntest.py用来训练模型和保存模型,lenet5_app.py用来读取和使用训练好的模型.2.
使用python调用训练好的caffe模型来分类
参考博客:http://www.cnblogs.com/denny402/p/5111018.html 本篇博客中的python代码可以当作是一个模板来使用。 在这个过程中,我的synset_words.txt是自行下载的。 下载地址:http://download.csdn.net/download/cuixing001/9987563
测试一个训练好的caffe模型
在学习caffe的过程中,训练了出了模型出来,出了当时的准确率和loss值,并没有看到给定输入看到真正的输出,这个时候需要测试一下训练出来的模型,实际查看一下效果,其中用到的配置文件和网络模型在caffe的目录下都有,自己测试自己的模型时需要修改为自己的*.prototxt和*.caffemodel#!/usr/bin/env python #coding=utf-8 #因为需要sudo权限,只能...
PyTorch(三)——使用训练好的模型测试自己图片
PyTorch的学习和使用(三) 在上一篇文章中实现了如何增加一个自定义的Loss,以Siamese network为例。现在实现使用训练好的该网络对自己手写的数字图片进行测试。
TensorFlow实现人脸识别(5)-------利用训练好的模型实时进行人脸检测
经过前面复杂的操作,训练出来对于某一个人的识别模型。本文将利用该模型对于打开的视频或者摄像头实时的识别该人。 读取视频 ==&amp;amp;gt; 识别人脸 ==&amp;amp;gt; 绘制标志 代码如下: #-*- coding:UTF-8 -*- import tensorflow as tf import numpy as np import sys import gc from face_train...
使用训练好的模型进行预测
使用训练好的模型进行预测,可以与我的模型训练和保存配套使用
实战 | 深度学习轻松学:如何用可视化界面来部署深度学习模型
翻译 | AI科技大本营参与 | 王赫上个月,我有幸结识了DeepCognition.ai的创始人。Deep Cognition (深度认知) 建立的深度学习工作室,为很多准备部署深度学习框架和采用人工智能技术的机构打破了诸多难以逾越的障碍。究竟什么是深度学习?在我们说明Deep Cognition是如何简化深度学习和人工智能之前,先让我们定义一些深度学习的主要概念。深度学习,它的核心是用连续
《深度学习——实战caffe》——如何将别人训练好的model用到自己的数据上
因设备原因只能先转载http://www.cnblogs.com/denny402/p/5137534.html。留存。好记性不如烂笔头caffe团队用imagenet图片进行训练,迭代30多万次,训练出来一个model。这个model将图片分为1000类,应该是目前为止最好的图片分类model了。假设我现在有一些自己的图片想进行分类,但样本量太小,可能只有几百张,而一般深度学习都要求样本量在1万...
对训练得到的模型进行测试
对训练得到的模型进行测试
tensorflow 学习笔记(十二)- 用别人训练好的模型来进行图像分类
tensorflow 学习笔记(十二)- 用别人训练好的模型来进行图像分类 谷歌在大型图像数据库ImageNet上训练好了一个Inception-v3模型,这个模型我们可以直接用来进来图像分类。 下载地址: https://storage.googleapis.com/download.tensorflow.org/models/inception_dec_2015.zip 下载完解压后,
【caffe】caffe在windows用训练好的模型对单张图片测试——【caffe学习三】
继上篇http://blog.csdn.net/qq_15947787/article/details/78428478训练完成后,需要对单张图片进行测试。 1.将D:\caffe\scripts\build\examples\cpp_classification\Release下生成的文件classification.exe复制到D:\caffe-train\tools下。 Usag
训练好的模型测试
https://blog.csdn.net/xinyu3307/article/details/75008458对测试单张图片的补充import tensorflow as tf import numpy as np import os import math from PIL import Image from logs import model from logs import input_d...
深度学习Caffe实战笔记(21)Windows平台 Faster-RCNN 训练好的模型测试数据
前一篇博客介绍了如何利用Faster-RCNN训练自己的数据集,训练好会得到一个模型,这篇博客介绍如何利用训练好的模型进行测试数据。1、训练好的模型存放位置 训练好的模型存放在faster_rcnn-master\output\faster_rcnn_final\faster_rcnn_VOC2007_ZF,把script_faster_rcnn_demo.m文件拷贝到faster_rcnn-ma
caffe:使用训练好的模型进行训练(使用mnist模型)
在使用模型的时候,不能直接调用该模型,还需要改写之前的训练网络,最后将更改之后的网络(deploy)和模型结合在一起使用 1.把数据层(Data Layer)和连接数据层的Layers去掉(即top:data的层),图左彩色部分删除 2. 去掉输出层和连接输出层的Layers(即bottom:label)图右彩色部分删除     3. 重新建立输入,将第一步删除的部分粘贴下面的代码 in...
文章热词 颜色模型 机器学习教程 Objective-C培训 交互设计视频教程 设计制作学习
相关热词 mysql关联查询两次本表 native底部 react extjs glyph 图标 如何用乌班图编写python python图形用户界面教程