or download the Python Wheel imageai-2.0.1-py3-none-any.whl and run the python installation instruction in the command line to the path of the file like the one below: 

pip3 install C:UserMyUserDownloadsimageai-2.0.1-py3-none-any.whl 

现在，你已经安装了需要的依赖库。接下来，你就可以编写第一段目标检测代码了。创建一个 Python 文件并为其命名 (例如，FirstDetection.py)，然后写入下面的 10 行代码，并将 RetinaNet 模型文件和需要检测的图像复制到包含这个 python 文件的文件夹中。

FirstDetection.py

from imageai.Detection import ObjectDetectionimport osexecution_path = os.getcwd()detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))for eachObject in detections:    print(eachObject["name"] + " : " + eachObject["percentage_probability"] )
然后运行代码，稍等片刻结果将显示在控制台中。一旦控制台打印出结果后，转到 FirstDetection.py 所在的文件夹，你将找到所保存的新图像。如下是两个原图像样本，检测后将保存新图像。

Before Detection：


Image Credit: alzheimers.co.uk


Image Credit: Wikicommons

After Detection：



控制台打印的检测结果：


 
person : 55.8402955532074
 
person : 53.21805477142334
 
person : 69.25139427185059
 
person : 76.41745209693909
 
bicycle : 80.30363917350769
 
person : 83.58567953109741
 
person : 89.06581997871399
 
truck : 63.10953497886658
 
person : 69.82483863830566
 
person : 77.11606621742249
 
bus : 98.00949096679688
 
truck : 84.02870297431946
 
car : 71.98476791381836




控制台打印的检测结果：


 
person : 71.10445499420166
 
person : 59.28672552108765
 
person : 59.61582064628601
 
person : 75.86382627487183
 
motorcycle : 60.1050078868866
 
bus : 99.39600229263306
 
car : 74.05484318733215
 
person : 67.31776595115662
 
person : 63.53200078010559
 
person : 78.2265305519104
 
person : 62.880998849868774
 
person : 72.93365597724915
 
person : 60.01397967338562
 
person : 81.05944991111755
 
motorcycle : 50.591760873794556
 
motorcycle : 58.719027042388916
 
person : 71.69321775436401
 
bicycle : 91.86570048332214
 
motorcycle : 85.38855314254761


现在，我们来解释下这 10 行代码是如何工作的。

from imageai.Detection import ObjectDetection
import os

execution_path = os.getcwd()



在上面 3 行代码种，第一行我们导入了 ImageAI 目标检测类，第二行导入了 python 的 os 类，第三行定义了一个变量用来保存我们的 python 文件，其中 RetinaNet 模型文件和图像都将存放在该文件夹路径下。

detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))

在上面的 5 行代码中，第一行定义了目标检测类，第二行将模型的类型设置为 RetinaNet，并在第三行将模型路径设置为 RetinaNet 模型的路径，第四行将模型加载到的目标检测类，第五行调用目标检测函数，解析输入的和输出的图像路径。

for eachObject in detections:
    print(eachObject["name"] + " : " + eachObject["percentage_probability"] )



在上面的2行代码中，第一行迭代执行 detector.detectObjectsFromImage 函数并返回所有的结果，然后在第二行打印出所检测到的每个目标的名称及其概率值。


ImageAI 支持许多强大的目标检测过程。其中之一就是能够提取图像中检测到的每个目标。如下所示，通过简单地解析将 extra_detected_objects = True 变为 detectObjectsFromImage 函数，目标检测类将为图像目标创建一个新的文件夹，提取每张图像，并将每张图像保存到新创建的文件夹中，同时返回一个包含每张图像路径的额外数组。


detections, extracted_images = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"), extract_detected_objects=True)



下面我们来看看在第一张图像上取得的目标检测结果：





所有包含行人的图像都能被提取出来了，我没有保存所有的目标，因为它们会占用太多不必要的空间。


ImageAI 还提供了更多功能，可用于定制和生产功能部署所需的目标检测任务。一些支持的功能如下：


Adjusting Minimum Probability：默认情况下，检测概率低于 50% 的对象将不会显示或报告。你可以增加高确定性目标的检测概率，或者在需要检测所有可能对象的情况下降低该概率值。
Custom Objects Detection：使用所提供的 CustomObject 类，如此检测类函数将打印出一个或几个唯一目标的检测结果。
Detection Speed：通过将检测速度设置为“fast”、“faster”和“fastest”，以便缩短目标检测所需的时间。
Input Types：你可以指定并解析图像的文件路径，Numpy 数组或图像文件流作为输入图像
Output Types：你可以指定 detectObjectsFromImage 函数所返回的图像格式，可以是以文件或 Numpy 数组的形式。