基于MindSpore框架Yolov3-darknet模型的篮球动作检测体验

本堂课是MindSpore21天实战营的第四堂课，由王老师分享了Yolov3在图像分类、目标检测等方面的实现。通过对篮球动作的分类训练及识别检测实例的讲解和体验，使我们了解了Yolov3模型的原理、架构等基本知识，为日后的深入学习奠定了基础。

本次体验同样基于ModelArts+OBS，基本的操作步骤不复赘述，可以参考之前的文章。作业也同样分为体验作业和进阶作业。

体验作业：输入篮球比赛图片，在ModelArts环境上完成模型推理流程。根据本课提供的代码和操作步骤，是比较容易实现的，在此也不复强调。

进阶作业：输入篮球比赛视频，在ModelArts环境上完成模型推理流程。具体实现步骤如下：

1、下载一段篮球比赛视频，格式最好是mp4、avi等常规格式。用专用播放器下载的特殊格式，还需要转换一下；另外就是考虑到数据量的问题，视频的时间也不宜超过1分钟。本次操作的视频转码mp4后，居然带着水印（试用版），不确定会不会影响后续的识别。

2、对视频进行切分为图片，格式为.jpg。根据本课提供的OpenCV代码，在本地测试成功后，放到ModelArts上调试却不成功，多次调试无果。

2.1本地操作的代码如下图：

2.2 帧率为25，按照10帧取1，共切分出116张图片，图片大小为1920*1080。执行过程如下图所示

2.3 将图片通过OBS-browser-plus上传到OBS桶Yolov3项目数据集路径中；

2.4 修改predit.py代码，使其适应于批量图片的推理，并上传Yolov3代码至OBS桶。 

Ps：2.4.1 图片目录中需按名称顺序读取并处理；

2.4.2 要将detection = DetectionEngine(args)语句置于循环中，否则其导致上一张图的Bounding box的累加复用，导致预测结果错误。如下图所示极端状况：

2.5 将Yolov3代码上传OBS桶Yolov3代码目录，并设置启动predict.py；在输出图片遍历的打印信息后，图片的检测工作就完成了，并输出到设置的OBS输出目录中。ModelArts检测日志见下图：

Ps：需注意增加checkpoint_path的配置，做为推理使用的训练模型。具体设置过程参见进阶作业步骤。

2.6、将图片使用OBS-browser-plus下载到本地，使用代码将其合并为视频。同样，ModelArts尝试运行无果。本地运行代码如下：

 合成操作打印信息如下图所示：

到此，进阶作业的过程基本完成。

后记：

1、  本次课程训练使用的3000张篮球比赛图片，是在ModelArts上使用图片标记完成的，这可以作为深入了解AI模型拓展的一个起点；

2、  本次课程提供了GPU版本的代码，ModelArts上未实现的可以尝试在GPU环境下自动完成图片的切分、检测及合并；

3、  本节课后老师又补充了Yolov4的代码，可以尝试体验相比Yolov3检测精度是否有所提升。此项目前正在处理报错中，尚未成文，等待后补，谢谢！

-------End-------