计算机视觉听起来可能像科幻小说，但它已经成为现实。从简单的物体检测到面部情感识别，我们可以找到许多直接应用到我们生活中的例子。object detection facial emotion

这听起来可能很复杂(确实如此)，但是您可以实现一个系统来用几行代码来识别一个人。few lines

您可以在程序中使用许多选项来实现，如OpenCV和TensorFlow，而不必了解深度学习或花哨的算法。OpenCV Tensorflow

什么是AWS Rekognition？

亚马逊识别(Amazon Rekognition)就是其中一项服务。这是一项来自AWS的服务，可以轻松地将图像和视频分析添加到您的应用程序中。它有很好的应用，例如：Amazon Rekognition

• 物体检测：您可以检测图像或视频中的物体和场景。您可以使用自定义对象对模型进行包含式培训。
• 面部识别：您可以检测和识别图像中的人脸，这可以用于用户验证，也可以来自名人。
• 文本检测：它可以从图像和视频中提取文本内容，因此您可以在应用程序中启用OCR。

并且它可以与其SDK一起使用。因此，您只需几个步骤即可与应用程序集成。让我们看看怎么做。

配置

我们需要设置凭据才能使用AWS SDK执行任何操作。如果您已经有一个，您可以跳过这一部分。

我们将创建一个用户来访问S3服务。为此，请访问IAM控制台，转到Users菜单，然后单击Add User：IAM console

键入您的用户名，然后单击Programical Access Option(程序访问选项)。

下一步是为用户设置权限。这里有几个选项，比如添加到组或从其他用户复制。要访问Rekognition服务，您需要一个Rekognition权限。在我们的示例中，我们选择AmazonRekognitionFullAccess。

查看您的数据，然后单击Create User(创建用户)按钮。在您的访问密钥ID和秘密访问密钥旁边应该会显示一条成功消息。复制这两个文件并将其放入安全文件中(或下载.csv文件)。

接下来，我们需要通知这些数据，以便Boto3可以访问AWS服务。为此，我们创建一个名为~/.aws/Credentials的文件：

[default]
aws_access_key_id = 
aws_secret_access_key = 
region=us-east-1

然后，我们可以安装Boto3软件包：

pip install boto3

我们还安装了Pillow软件包来处理图像：

pip install Pillow

检测标签

对于AWS Rekognition来说，标签(或标签)是它在图像或视频中可以识别的所有内容，如对象(人、树)、场景(海滩)或概念(室外)。如果您正在使用视频，它还可以检测到活动(如游泳)。

要检测图像中的所有标签，我们首先需要获取Rekognition客户端。Rekognition client

import boto3

之后，使用方法Detect_Labels()获取对象内部所有标签的响应，并在Image参数中传递图像。

您有两个选择：

• 通过Bytes参数上传图像字节。
• 如果您已存储在S3存储桶中，则指示S3Object内的对象的Bucket和名称。

让我们以下面的计算机照片为例。

要检测所有标签，我们将图像传递给Detect_Labels方法。detect_labels

此方法返回一个字典，其中包含键标签内的标签数组。每个标签都是一个可以包含以下字段的对象：

• 名称：标签的名称
• 置信度：图像包含标签的置信度。
• 实例：包含图像内检测到的对象的每个实例的边框。
• 父级：包含此标签的所有祖先的列表。例如，如果您有一辆汽车，则可以将车辆和交通工具作为其父级返回。

如果我们对图像运行上面的代码，我们会得到以下结果：

Found 14 labels in the image:
> Label "Pc" with confidence 99.93
> Label "Computer" with confidence 99.93
> Label "Electronics" with confidence 99.93
> Label "Laptop" with confidence 99.77
> Label "Computer Keyboard" with confidence 99.55
> Label "Hardware" with confidence 99.55
> Label "Keyboard" with confidence 99.55
> Label "Computer Hardware" with confidence 99.55
> Label "Wood" with confidence 81.52
> Label "Furniture" with confidence 78.39
> Label "Table" with confidence 77.92
> Label "Plywood" with confidence 77.74
> Label "Desk" with confidence 72.95
> Label "Tabletop" with confidence 61.14

如您所见，它为同一对象(如计算机、笔记本电脑和硬件)获取多个标签。

我们可以使用实例信息在它检测到的对象周围绘制方框，这样我们就可以在图像中实际看到该对象。

我们使用每个Label实例中可用的边界框信息在标识的对象周围绘制一个矩形。坐标是图像总高度和总宽度的百分比，因此我们需要将其转换为实际位置。

然后我们得到一个类似于这个的结果。

结论

目标检测是计算机视觉的一小部分。虽然这听起来可能很复杂和不可能，但事实是现在将其与您的应用程序集成非常简单。

您可以使用一些不错的选项，AWS Rekognition就是其中之一。它不仅具有物体检测的功能，还具有更多的功能。

只需几个额外的步骤，您就可以将其与您的应用程序集成，并且无需了解任何花哨的算法或复杂的代码即可使用它。

如果您已经在使用AWS服务，也可以考虑使用AWS Rekognition。

感谢您的阅读。

更多内容请访问Playenglish.ioplainenglish.io