昨天我們把 darknet 編譯好了，所以今天再來跑就不用再編譯了，只要把昨天的檔案複製回來就好。

!cp /content/gdrive/My\ Drive/darknet/bin/darknet ./darknet
!chmod +x ./darknet

第5步: 定義副程式 imShow/upload/download

然後準備幾個我們等一下會用到呼叫的程式。

• imShow　用來顯示辨識完的圖
• upload　用來上傳要辨識的圖
• download　用來下載辨識完的圖

def imShow(path):
  import cv2
  import matplotlib.pyplot as plt
  %matplotlib inline

  image = cv2.imread(path)
  height, width = image.shape[:2]
  resized_image = cv2.resize(image,(3*width, 3*height), interpolation = cv2.INTER_CUBIC)

  fig = plt.gcf()
  fig.set_size_inches(18, 10)
  plt.axis("off")
  #plt.rcParams['figure.figsize'] = [10, 5]
  plt.imshow(cv2.cvtColor(resized_image, cv2.COLOR_BGR2RGB))
  plt.show()

def upload():
  from google.colab import files
  uploaded = files.upload() 
  for name, data in uploaded.items():
    with open(name, 'wb') as f:
      f.write(data)
      print ('saved file', name)

def download(path):
  from google.colab import files
  files.download(path)

第6步: 下載 yolov3.weights

把預訓練權重下載過來。

!wget https://pjreddie.com/media/files/yolov3.weights

第7步: 辨識 person.jpg

他的 Data 目錄裡有幾張圖片可以測試，先試看看辨識他自己準備好的圖片 person.jpg。

!./darknet detect cfg/yolov3.cfg yolov3.weights data/person.jpg -dont-show
imShow('predictions.jpg')

我們看到他辨識出３個物體，還有他的機率。
dog: 99%
person: 100%
horse: 100%

第8步: 上傳自己的圖片 mytest.jpg

再來上傳我們自己的圖片。

upload()

第9步: 辨識自己的圖片 mytest.jpg

試看看辨識我們自己的圖片 mytest.jpg。

!./darknet detect cfg/yolov3.cfg yolov3.weights mytest.jpg -dont-show
imShow('predictions.jpg')

我們看到他辨識出４個物體，還有他的機率。
keyboard: 98%
cell phone: 33%
mouse: 100%
cup: 96%

第10步: 下載辨識完的圖片 predictions.jpg

最後你可以把檔案下載回來。

download("predictions.jpg")

以上就是在 Google Colab 用 yolo 辨識圖片的過程啦，有沒有很簡單。
有機會再跟大家聊聊影片物件偵測的部份。

好，第22天，結束。