使用「對象檢測」實現智能結賬體驗

簡評：用數據可以做到許多酷酷的事情 ~

Tensorflow Object Detection API 的功能很強大，你可以在一些實際應用場景下測試它的性能。

第一個用例可以是更聰明的貨架，畢竟 Amazon Go 商店推出之後，這就成了一個熱門的領域。商店設計中可以採用智能貨架，用於跟蹤顧客會選擇什麼商品。這個實現可以通過構建兩個對象檢測模型來完成：

• 一個跟蹤人手並捕獲人手所挑選的內容
• 第二個獨立的模型用來檢測貨架空間

通過使用兩個模型可以最大限度地減少單一方法帶來的誤差：

挑選完商品後當然是結賬了，這就是計算機視覺的另一個應用了 —— 不用在收銀台逐一掃描物品，而是相機直接就能夠檢測和記錄所有的商品，甚至我們都不需要一個專門的結賬通道了。

想像一下這樣的場景：配備了相機的購物車直接在你挑選商品的時候就記錄，並在你走出商店時立刻為你開出賬單，是不是有點酷！更酷的是，我們能夠實現它：

用這個 API 可以設計出一個帶有 3 個隨機項目的 demo，它能夠很輕易地檢測到放置進購物車的商品和數量：

那麼該如何建立呢？

1. 收集數據

可以使用公開的數據集或者自己收集圖像創建數據集，兩種方法各有利弊，因此最好兩種方法根據場景混合使用。比如，可以使用公開的 Ego Hand 構建手部檢測數據集，這個數據集在手型、膚色、姿態上都有很多變化，在現實世界中應用得很好。另一方面，對於貨架上的商品最好是自己收集數據。

在構建模型之前，可以通過 PIL 或 OpenCV 這樣的圖像處理庫來創建額外的圖像，這些圖像在亮度、縮放和旋轉等方面都有隨機變化，這個過程可以創建大量的附加示例讓模型更健壯。

2. 建立模型

關於如何在自定義數據集上訓練 Tensorflow 對象檢測 API 可以參考：Building a Toy Detector with Tensorflow Object Detection API 和 Github。

建立模型之前你得決定使用哪種對象檢測模型作為檢查點，最新模型清單如下：

對於實時手部檢測，我傾向於選擇速度快的模型。而對於貨架和購物車的物品檢測，就算慢一點我也會選擇精度更高的模型。

3. 測試和改進

完成模型 1.0 版本的建立後，真正的工作才剛剛開始。沒有一個模型是完美的，因此當你開始使用時就會發現性能差距了，這個時候你就需要判斷是否是在原有模型上改進或者更換模型。如果幸運的話，你只需要添加數據集就可以提高性能了，不過這個問題可以另開一版了。

關於對象檢測的知識還可以查看這篇文章：Is Google Tensorflow Object Detection API the easiest way to implement image recognition？

Reference：Google Tensorflow Object Detection Github

原文鏈接：

• Using Object detection for a Smarter Retail Checkout Experience

推薦閱讀：

• 機器學習領域值得關注的 10 位 Quora 大咖
• 手把手教你實現一個低配版象棋 AlphaGo
• 數據科學中應該學習哪些語言？

極光日報，極光開發者 的 Side Project，歡迎關注。