近日，一篇題為《Following Messi with TensorFlow and Object Detection》的教程文章展示了如何通過 TensorFlow 訓(xùn)練定制的目標(biāo)檢測模型，以專門定位和識別足球巨星梅西;同時作者也希望這一技術(shù)有助于催生出足球新戰(zhàn)術(shù)，提升賽事水平。

我們之前曾把 TensorFlow 與目標(biāo)檢測模型結(jié)合使用，但使用的一直是預(yù)先設(shè)定的傳統(tǒng)數(shù)據(jù)集，比如 COCO。這次的挑戰(zhàn)將再高一級，我會分析一個足球比賽的片段，并識別其中至少一個球員。

一提到足球，你首先想到的可能是那些天才球員，比如阿根廷人梅西。本文中，我將會：

• 訓(xùn)練一個定制的目標(biāo)識別模型以定位梅西
• 選擇一個真實(shí)的賽事轉(zhuǎn)播視頻(本文中我使用的今年 8 月 31 日世界杯預(yù)選賽南美區(qū)，烏拉圭對戰(zhàn)阿根廷的錄像)，看看我們能得到什么結(jié)果。
• 通過這項(xiàng)技術(shù)，我們或許可以設(shè)計(jì)新的戰(zhàn)術(shù)，提高足球賽事的水平。

注意：我們將會結(jié)合使用 TensorFlow 與上述目標(biāo)檢測模型，且均具備 Apache License 2.0 許可證。

我們將從最終獲取的結(jié)果開始：

比賽中的一段慢動作回放

如果你對此感興趣，我建議你多花點(diǎn)時間一步一步學(xué)習(xí)該模型的搭建步驟。

它包含三個重要的步驟：

1. 構(gòu)建有目標(biāo)可供檢測的定制數(shù)據(jù)集
2. 通過 TensorFlow 訓(xùn)練和評估該模型
3. 運(yùn)用該模型

步驟：

構(gòu)建自定義數(shù)據(jù)集 Moment

1. 我們查看官方文檔，就會發(fā)現(xiàn)有單獨(dú)的部分介紹如何構(gòu)建自定義數(shù)據(jù)集。地址：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/using_your_own_dataset.md

2. 我們需要想要檢測的物體的圖像，并且需要給它們打標(biāo)簽。

• 對于這種情況，我使用的是 RectLabel 工具，對于 MacOS 是一個不錯的選擇。(也有其他替代工具，如 LabelImg。)
• 然后就是***次測試，我收集來的 119 張足球比賽的圖像(數(shù)量很小，但對測試來說足夠了)。

我給大約 100 張梅西的圖片添加了標(biāo)簽。

注：如要將樣本投入正式的應(yīng)用，這一步就需要更多圖像。

3. 下一步是把照片和對應(yīng)的 tag 轉(zhuǎn)換成 TFFormat 文件。腳本地址：

https://github.com/nbortolotti/tensorflow-code-experiences/blob/master/custom_model_object_detection/generate_tfrecord.py。(我使用了中間步驟將 xml 注釋標(biāo)簽轉(zhuǎn)換成 csv，腳本地址：

https://github.com/nbortolotti/tensorflow-code-experiences/blob/master/custom_model_object_detection/xml_metadata_csv.py。)

4. 記?。?**的環(huán)境是構(gòu)建一個訓(xùn)練集和評估集。

訓(xùn)練/評估自定義模型 Moment

5. 上述文件完成后，我們就可以訓(xùn)練和評估模型了。

這一步我使用的是機(jī)器學(xué)習(xí)引擎，因?yàn)槲覜]有本地基礎(chǔ)架構(gòu)可以在 1 小時內(nèi)執(zhí)行完整個過程。(官方說明：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_on_cloud.md)

5 個工作線程使用標(biāo)準(zhǔn) GPU。

同樣強(qiáng)烈推薦使用 TensorBoard 對訓(xùn)練和評估過程進(jìn)行可視化。

記?。褐苯邮褂霉雀柙拼鎯ΑＲ簿褪钦f，所有文件必須在這種 repository 類型中，以與訓(xùn)練引擎完成互動。

TensorBoardML 中的 TotalLoss

機(jī)器學(xué)習(xí)引擎工作示例

6. 使用了 21.77 個單元，經(jīng)過 1 小時 9 分鐘和 2 萬次迭代之后，我們得到了多個檢查點(diǎn)和一個可用模型。

7. 我們使用***進(jìn)的檢查點(diǎn)，使用訓(xùn)練好的模型進(jìn)行推斷。(官方文檔：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/exporting_models.md)

使用自定義模型 Moment

8. 我們將從以下選項(xiàng)中使用該模型：

• 使用該模型和利用檢測結(jié)果生成視頻的腳本。實(shí)現(xiàn)示例：https://github.com/nbortolotti/tensorflow-code-experiences/blob/master/custom_model_object_detection/od_video_generator.py。
• 實(shí)時評估視頻和解碼標(biāo)簽以計(jì)算阿根廷球星的外表的腳本。實(shí)現(xiàn)示例：https://github.com/nbortolotti/tensorflow-code-experiences/blob/master/custom_model_object_detection/od_video_label_detector.py
• 注意：使用慢鏡頭的同樣的 demo。地址：https://www.youtube.com/watch?v=ZCUJJN0q-To
• 更多示例信息，詳見：https://github.com/nbortolotti/tensorflow-code-experiences/tree/master/custom_model_object_detection

這可能只是這項(xiàng)有趣研究的開始……后續(xù)也許會涉及到如何改進(jìn)體育戰(zhàn)術(shù)、囊括更多運(yùn)動員和驗(yàn)證關(guān)聯(lián)?，F(xiàn)在，我們僅僅使用傳統(tǒng)的電視直播信息，如果我們使用更清晰或能看到球場全景的攝像頭，又會發(fā)生什么呢?

所有球員的位置都可以得到計(jì)算。事實(shí)上，我們的實(shí)驗(yàn)證明了用機(jī)器學(xué)習(xí)識別球員非常容易，但是我們能根據(jù)球員的位置和他們擅長的技術(shù)找到更好的戰(zhàn)術(shù)嗎?

我希望你能從中獲得樂趣，希望在未來，我們能夠看到更多體育領(lǐng)域的 TensorFlow 實(shí)現(xiàn)。

原文：

https://becominghuman.ai/following-messi-with-tensorflow-and-object-detection-20ba6d75667

【本文是51CTO專欄機(jī)構(gòu)“機(jī)器之心”的原創(chuàng)譯文，微信公眾號“機(jī)器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文