摘要：通過對籃球動作的分類訓練及識別檢測實例的講解和體驗，使我們瞭解了Yolov3模型的原理、架構等基本知識，爲日後的深入學習奠定了基礎。
背靠全新的設計理念，華爲雲推出了 MindSpore深度學習實戰營，幫助小白更快的上手高性能深度學習框架，快速訓練ResNet-50，實現你的第一個手機App開發，學會智能新聞分類、籃球檢測和「猜你喜歡」模型！
MindSpore深度學習實戰營，通過 21天的合理課程安排，不僅提供目前大熱的移動端部署介紹，還有緊跟時事的趣味實踐，更有深度的底層開發講解，讓你從框架到算法到開發，都能一網打盡。
在MindSpore21天實戰營的第四堂課，由王老師分享了Yolov3在圖像分類、目標檢測等方面的實現。通過對籃球動作的分類訓練及識別檢測實例的講解和體驗，瞭解了Yolov3模型的原理、架構等基本知識，爲日後的深入學習奠定了基礎。
本次體驗同樣基於ModelArts+OBS，基本的操作步驟不復贅述，可以參考之前的文章。作業也同樣分爲體驗作業和進階作業。
體驗作業：輸入籃球比賽圖片，在ModelArts環境上完成模型推理流程。根據本課提供的代碼和操作步驟，是比較容易實現的，在此也不復強調。
進階作業：輸入籃球比賽視頻，在ModelArts環境上完成模型推理流程。具體實現步驟如下：
1、下載一段籃球比賽視頻，格式最好是mp4、avi等常規格式。用專用播放器下載的特殊格式，還需要轉換一下；另外就是考慮到數據量的問題，視頻的時間也不宜超過1分鐘。本次操作的視頻轉碼mp4後，居然帶着水印（試用版），不確定會不會影響後續的識別。
2、對視頻進行切分爲圖片，格式爲.jpg。根據本課提供的OpenCV代碼，在本地測試成功後，放到ModelArts上調試卻不成功，多次調試無果。
2.1本地操作的代碼如下圖：
2.2 幀率爲25，按照10幀取1，共切分出116張圖片，圖片大小爲1920*1080。執行過程如下圖所示
2.3 將圖片通過OBS-browser-plus上傳到OBS桶Yolov3項目數據集路徑中；
2.4 修改predit.py代碼，使其適應於批量圖片的推理，並上傳Yolov3代碼至OBS桶。
Ps：2.4.1 圖片目錄中需按名稱順序讀取並處理；
2.4.2 要將detection = DetectionEngine(args)語句置於循環中，否則其導致上一張圖的Bounding box的累加複用，導致預測結果錯誤。如下圖所示極端狀況：
2.5 將Yolov3代碼上傳OBS桶Yolov3代碼目錄，並設置啓動predict.py；在輸出圖片遍歷的打印信息後，圖片的檢測工作就完成了，並輸出到設置的OBS輸出目錄中。ModelArts檢測日誌見下圖：
Ps：需注意增加checkpoint_path的配置，做爲推理使用的訓練模型。具體設置過程參見進階作業步驟。
2.6、將圖片使用OBS-browser-plus下載到本地，使用代碼將其合併爲視頻。同樣，ModelArts嘗試運行無果。本地運行代碼如下：
合成操作打印信息如下圖所示：
到此，進階作業的過程基本完成。
後記：
1、 本次課程訓練使用的3000張籃球比賽圖片，是在ModelArts上使用圖片標記完成的，這可以作爲深入瞭解AI模型拓展的一個起點；
2、 本次課程提供了GPU版本的代碼，ModelArts上未實現的可以嘗試在GPU環境下自動完成圖片的切分、檢測及合併；
3、 本節課後老師又補充了Yolov4的代碼，可以嘗試體驗相比Yolov3檢測精度是否有所提升。此項目前正在處理報錯中，尚未成文，等待後補，謝謝！
本文分享自華爲雲社區《基於MindSpore框架Yolov3-darknet模型的籃球動作檢測體驗》，原文作者：Dasming 。