為什么選擇椅子問題？
問題簡單化：在清晰的圖像中進行椅子識別
進一步的挑戰：找到椅子的位置
一個先進的對象識別技術YOLO概述
將YOLO應用于椅子識別
面臨的挑戰以及未來將采取的步驟
為什么選擇椅子問題？
首先我將闡述我為什么想要在一張照片中數椅子。
在AnalyticsVidhya的辦公室里，通常會有10到15個人。但到了夏天，實習生們就會涌入我們的辦公室。所以，如果我們要在夏天開全員大會，機器人維修，我們就必須要從其他房間里拉出所有空的椅子。
我是一個特別懶的人，所以我想，有沒有一種算法能夠直接告訴我們哪間房間有空閑的椅子。這樣一來，我們就不用挨個房間找椅子了，省時又省力。
這看上去是個再簡單不過的問題，但我可以用它來嘗試我獲得的新技能。深度學習能夠解決這個問題嗎？老實說，我也不確定深度學習究竟能不能用來解決這一問題，但是試一下總沒有壞處，不是嗎？
問題中需完成的任務
既然你已經了解了我們需要解決的問題，那么接下來我會向你介紹我解決問題的過程。我會把這個問題分解為四個不同的任務
假如我們有一個房間的視頻資源，那么在視頻中有沒有出現一把椅子？
如果視頻中出現了椅子，那么這把椅子在房間的什么位置呢？
這把椅子是否被占用了？如果有未被占用的椅子，那么未被占用的椅子數量是多少呢？
我們應該從哪間房間里搬空椅子？
我決定先解決一個相對簡單的問題，然后再嘗試解決更復雜的問題。循序漸進，一步步達到我的目標。這也是我將這個問題分解為四個不同的任務的原因。在本文，我將詳細介紹前兩個任務的完成過程；在后續文章中，我會繼續介紹后兩個任務的完成過程。
問題簡單化：在清晰的圖像中進行椅子識別
解決椅子問題的第一步，也是最簡單的一步，就是判斷圖片中的房間內是否有椅子。現在，我將這個問題進一步簡化我將網絡對視頻資源的需求忽略，給網絡輸入了我拍攝的幾張照片。
假設我給你兩張照片，你能告訴我哪一張照片中有椅子嗎？
答案是第一張，而你究竟是怎么知道的呢？
因為你見過椅子很多很多次了，所以對你來說判斷圖片里有沒有椅子并不難。換言之，你對于現實中的椅子長什么樣已經有了了解。同樣的，我們可以訓練一個神經網絡，讓網絡幫我們完成這個識別的工作。
順便提一下，我們之所以使用神經網絡而不用其他的算法，是因為神經網絡是在圖像處理問題方面最強大、最先進的技術。
所以，我將一個經過ImageNet數據集預訓練的神經網絡應用到這些圖像上。
但是當我讓模型識別圖像中的對象時，出現了一個問題它不能準確地分別圖像中的對象。例如，下圖是模型針對圖像的輸出結果。
[[（'n03179701','desk',0.56483036），（'n03337140','file',0.14689149），（'n04550184','wardrobe',0.03918023）]]
它將圖片中的椅子錯誤地判斷成了書桌。這樣的結果實在令人很失望，因為書桌和椅子的相似度不高，按理來說是非常容易區分的。
解決椅子還是書桌的問題
正如我在之前的文章中提到的，每當我在建立神經網絡時遇到問題，我就會逐步解決這個問題。我會將每個步驟列成一個清單：
第一步：檢查網絡架構
第二步：檢查神經網絡的超參數
第三步：檢查網絡的復雜性
第四步：檢查輸入數據的結構
第五步：檢查數據的分布
在一番檢查評估之后，我發現模型的圖像輸入是不正確的，因為我沒有正確地處理圖像的縱橫比例。所以，為了解決這個問題，我添加了一個自定義代碼，該自定義代碼之前在GitHub上的一個keras問題中出現過。更新的圖像如下圖：
[[（'n02791124','barber_chair',0.77817303），（'n03179701','desk',0.090379775），（'n03337140','file',0.033129346）]]
處理完這個問題以后，模型就能開始正常地工作，輸出正確的結果了。
進一步的挑戰：找到椅子的位置
現在，我們已經判斷出了圖像中有一把椅子，那么接下來我們就要識別這把椅子在什么位置。除了這把椅子，我們還要識別出圖像中的人。我們需要通過識別這個人來判斷這把椅子是否被占用了。這兩個任務（任務二和任務三）將有助于我們解決和處理更大的任務，判斷作這把椅子是否被占用了。
與前面的任務一樣，我們將使用一個預訓練的網絡，這個網絡將給我們提供一個可接受的分數。目前，YOLO網絡是對象檢測的最佳模型，它能夠實時地展示相當不錯的性能。在本文，我對YOLO網絡做了簡單的介紹。下面，我們來看看如何利用YOLO解決這個問題。
使用YOLO進行椅子檢測
在系統中設置YOLO網絡，我們可以按照以下簡單的步驟：
第一步：
gitclonehttps://github.com/pjreddie/darknet
cddarknet
make
第二步：
wgethttps://pjreddie.com/media/files/yolo.weights
用YOLO來解決我們的問題，你需要輸入以下指令，并且提供你自己圖像的位置
./darknetdetectcfg/yolo.cfgyolo.weights//data/image.jpg
在我們的圖像上應用了YOLO之后，我發現其結果非常不錯。下面是一些例子：
面臨的挑戰以及未來將采取的步驟
雖然開端進展得非常順利，但是仍然有問題會阻礙這個項目的發展。以下是其中一些問題：
問題一：這個YOLO模型還是會出現一些錯誤，它并不是一個100%正確的模型。比如，在下面的這張圖片中，一個垃圾桶竟然被錯誤地識別成了一個人！
問題二：如果在一張圖像中，一把椅子擋住了另外一把椅子，算法還能識別出這把被擋住的椅子嗎？這是個值得思考的問題。
除了這些可能出現的問題之外，還有一些更加實際的細節需要考慮，比如說，算法推薦一個解決方案需要多長時間？算法需要運行什么類型的硬件？等等。這些都是在把算法作為商品出售之前需要考慮和解決的問題。
同樣，像之前所說的，KUKA機器人維修，在這篇文章中只討論前面兩個任務，還沒有涉及到后面兩個任務。那么，庫卡機器人，接下來的任務就是計算出房間內的椅子數量，然后建立起一個端到端的產品。
尾注
本文內容涵蓋了圖像中的物體檢測和識別，其中的物體就是椅子。針對物體識別，我們用了一個簡單的預訓練的模型來識別圖像中的物體。另一方面，針對物體檢測，我們使用了YOLO網絡一項非常先進的對象實時檢測技術。