在这篇博文中，淘客分佣系统，我们将学习如何利用RetinaNet对象检测框架来检测和定位图像中的logo，并使用sapcloudfoundry构建restapi Python Flask应用程序。结果将在HTML文件中可视化。
SAP CLoud Foundry视黄网：https://github.com/fizyr/keras-retinanet标签：https://github.com/tzutalin/labelImg谷歌Colab：https://colab.research.google.com
下面是我们将要执行的高级步骤。
我准备了185个图像徽标文件作为一个数据集，只有一个类，因为我们将只检测图像中的一个徽标。这是通过从Google搜索查询中下载图片手动完成的。将数据集提取到文件夹中。
安装并打开LabelImg工具。
保存标签后，将使用边界框信息bndbox创建XML文件。我们将提取信息并放入所需的Keras RetinaNet格式。
我们有185个数据点，淘客工具，我们需要洗牌和分割80%的数据用于训练，20%的数据用于测试。我已经生成了列车.txt以及测试.txt它由图像文件名的唯一图像ID组成。看一下这些文件。
我们还需要准备三个Keras RetinaNet框架库所需的CSV文件。
RetinaNet_类.csv包含类名到整数ID的映射pfe，0视网膜网_测试.csv还有维甲酸_列车.csv.包含图像路径、边界框注释和可读类标签。/content/keras retinanet/images/00000096.jpg，37,21380224，pfe/content/keras retinanet/images/00000596.jpg，179,20578317，pfe/content/keras retinanet/images/00000250.jpg，27，11207119，pfe...第一个条目是图像的路径，然后是边界框坐标，顺序如下：开始x，开始y，结束x，结束y。最后一个条目是人类可读的类标签。
运行下面的Python脚本生成那些CSV文件：
现在我们有了执行培训所需的所有文件。我们将在GPU上使用Google Colab.
打开Google Colab并将笔记本设置运行时类型Python 3和硬件加速器设置为GPU.
为此我准备了Python Jupyter笔记本。运行笔记本，淘客源码，让网络总共训练50个时代。
训练完成后，低价云服务器，我们需要导出，然后才能评估模型或应用它预测我们自己图像中的对象。
从Google Colab下载resnet50_csv_50.h5。
运行以下命令进行转换：
我们将获得准备好的模型输出。h5。
到在测试集上评估模型，使用以下命令：
从评估中我们获得平均精度（mAP）96%。
我们将创建一个Python Flask应用程序来检测图像中的徽标，并将其部署到SAP Cloud Foundry。
使用此图像测试应用程序，转到SAP Cloud Foundry应用程序URL并提供URL参数和图像文件的链接：
服务将返回一个JSON响应，其中包括已识别对象的分数和边界框坐标：
要可视化结果，返利商城，请创建一个简单的HTML代码并填充边界框，类和分数。
完整的源代码可以在我的Git repo上找到，生成的模型可以在这里找到。
参考
使用REST客户端的对象检测API计算机视觉深度学习
