上传脚本文件

进入Notebook 环境后，点击右侧的“Upload”，从百度云下载好的data_process.ipynb和test.ipynb文件上传。

运行data_process.ipynb文件

注意，要将第一个地址修改为你自己的OBS桶名称。

运行test.ipynb文件

我们需要切换到代码文件夹下，通过test.ipynb文件执行主文件main.py。

将代码运行所需要的依赖库都写到了requirements.txt文件里，可以一次性安装完毕。

执行主文件main.py

算法入口定义在main.py文件中，只需要执行这一个文件，就可以完成视频的目标检测及跟踪。

while True:
        # 从视频中抽取一帧图像
        ret, frame = video_capture.read()  # frame shape 640*480*33
        if ret != True:
            break

        image = Image.fromarray(frame[...,::-1]) #bgr to rgb
        # 将抽取的图像传入YOLOv3进行目标检测，得到目标框和类别。
        boxs,class_names = yolo.detect_image(image)
        # 将抽取的图像和目标检测得到目标框传入DeepSORT进行目标跟踪。
        features = encoder(frame, boxs)
        # 设置置信度为1.0
        detections = [Detection(bbox, 1.0, feature, cl) for bbox, feature, cl in zip(boxs, features, class_names)]

        boxes = np.array([d.tlwh for d in detections])
        scores = np.array([d.confidence for d in detections])
        indices = preprocessing.non_max_suppression(boxes, nms_max_overlap, scores)
        detections = [detections[i] for i in indices]

        # 进行目标更新
        tracker.predict()
        tracker.update(detections)

-i参数表示输入视频的路径。

查看结果

将结果保存在output文件夹中，内容包括视频、图片和文本。

视频outputVideo.avi可运行test.ipynb文件中的代码查看，也可以到output文件夹下查看。

文本totalCount.txt截图。

图片imageSeg部分展示。

保存结果

运行data_process.ipynb文件中的代码，记得修改第二个地址为自己的OBS桶地址。

结语

好了，上述步骤就是使用ModelArts进行深度学习的一个应用实例。