FR-CNNs慢但是准确性高，YOLO很快但是精度差点。SSDs平衡了这两种算法。如果再结合Google提出的MobileNets优化网络结构，可以得到很理想的效果。

下面贴出源码：

import numpy as npimport cv2

imagefile = 'images/test02.jpg'deploy_prototxt = 'MobileNetSSD_deploy.prototxt'model = 'MobileNetSSD_deploy.caffemodel'confidence_default = 0.2CLASSES = ["background", "aeroplane", "bicycle", "bird", "boat",           "bottle", "bus", "car", "cat", "chair", "cow", "diningtable",           "dog", "horse", "motorbike", "person", "pottedplant", "sheep",           "sofa", "train", "tvmonitor"]
COLORS = np.random.uniform(0, 255, size=(len(CLASSES), 3))

print("[info] loading model...")
net = cv2.dnn.readNetFromCaffe(deploy_prototxt, model)

image = cv2.imread(imagefile)
(h, w) = image.shape[:2]
blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 0.007843, (300, 300), 127.5)

print("[info] computing object detections...")
net.setInput(blob)
detections = net.forward()for i in np.arange(0, detections.shape[2]):
    confidence = detections[0, 0, i, 2]    if confidence > confidence_default:
        idx = int(detections[0, 0, i, 1])
        box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
        (startX, startY, endX, endY) = box.astype("int")

        label = "{}: {:.2f}%".format(CLASSES[idx], confidence * 100)
        print("[info] {}".format(label))
        cv2.rectangle(image, (startX, startY), (endX, endY), COLORS[idx], 2)
        y = startY - 15 if startY - 15 > 15 else startY + 15
        cv2.putText(image, label, (startX, y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, COLORS[idx], 2)

cv2.imshow("output", image)
cv2.waitKey(0)

OpenCV需要3.3以上支持，因为代码中用到了cv2.dnn模块。

检测效果：

output

作者：飞天小小猫
链接：https://www.jianshu.com/p/e9a6c1eac2c9
x