不久之前，亞馬遜剛剛推出了
DeepLens。這是一款專門面向開發人員的全球首個支持深度學習的攝像機，它所使用的機器學習算法不僅可以檢測物體活動和麵部表情，而且還可以檢測類似彈吉他等複雜的活動。雖然DeepLens還未正式上市，但智能攝像機的概念已經誕生了。
今天，我們將自己動手打造出一款基於深度學習的照相機，當小鳥出現在攝像頭畫面中時，它將能檢測到小鳥並自動進行拍照。最終成品所拍攝的畫面如下所示：
相機不傻，它可以很機智
我們不打算將一個深度學習模塊整合到相機中，相反，我們準備將樹莓派“掛鉤”到攝像頭上，然後通過WiFi來發送照片。本著“一切從簡”（窮）為核心出發，我們今天只打算搞一個跟DeepLens類似的概念原型，感興趣的同學可以自己動手嘗試一下。
接下來，我們將使用Python編寫一個Web服務器，樹莓派將使用這個Web服務器來向計算機發送照片，或進行行為推斷和圖像檢測。
我們這裡所使用的計算機其處理能力會更強，它會使用一種名叫YOLO的神經網絡架構來檢測輸入的圖像畫面，並判斷小鳥是否出現在了攝像頭畫面內。
我們得先從YOLO架構開始，因為它是目前速度最快的檢測模型之一。該模型專門給Tensorflow（谷歌基於DistBelief進行研發的第二代人工智能學習系統）留了一個接口，所以我們可以輕鬆地在不同的平臺上安裝和運行這個模型。友情提示，如果你使用的是我們本文所使用的迷你模型，你還可以用CPU來進行檢測，而不只是依賴於價格昂貴的GPU。
接下來回到我們的概念原型上… 如果像框內檢測到了小鳥，那我們就保存圖片並進行下一步分析。
檢測與拍照
正如我們所說的，DeepLens的拍照功能是整合在計算機裡的，所以它可以直接使用板載計算能力來進行基準檢測，並確定圖像是否符合我們的標準。
但是像樹莓派這樣的東西，我們其實並不需要使用它的計算能力來進行實時計算。因此，我們準備使用另一臺計算機來推斷出現在圖像中的內容。
我使用的是一臺簡單的Linux計算機，它帶有一個攝像頭以及WiFi無線網卡（樹莓派3+攝像頭），而這個簡單的設備將作為我的深度學習機器並進行圖像推斷。對我來說，這是目前最理想的解決方案了，這不僅大大縮減了我的成本，而且還可以讓我在臺式機上完成所有的計算。
當然了，如果你不想使用樹莓派視頻照相機的話，你也可以選擇在樹莓派上安裝OpenCV 3來作為方案B，具體的安裝方法請參考【這份文檔】。友情提示，安裝過程可謂是非常的麻煩！
接下來，我們需要使用Flask來搭建Web服務器，這樣我們就可以從攝像頭那裡獲取圖像了。這裡我使用了MiguelGrinberg所開發的網絡攝像頭服務器代碼（Flask視頻流框架），並創建了一個簡單的jpg終端：
如果你使用的是樹莓派視頻照相機，請確保沒有註釋掉上述代碼中from camera_pi那一行，然後註釋掉from camera_opencv那一行。
你可以直接使用命令python3 app.py或gunicorn來運行服務器，這跟Miguel在文檔中寫的方法是一樣的。如果我們使用了多臺計算機來進行圖像推斷的話，我們還可以利用Miguel所開發的攝像頭管理方案來管理攝像頭以及計算線程。
當我們啟動了樹莓派之後，首先需要根據IP地址來判斷服務器是否正常工作，然後嘗試通過Web瀏覽器來訪問服務器。
URL地址格式類似如下：
http://192.168.1.4:5000/image.jpg
在樹莓派中加載Web頁面及圖像來確定服務器是否正常工作：
圖像導入及推斷
既然我們已經設置好了終端來加載攝像頭當前的圖像內容，我們就可以構建一個腳本來捕捉圖像並推斷圖像中的內容了。
這裡我們需要用到request庫（一個優秀的Python庫，用於從URL地址獲取文件資源）以及Darkflow（YOLO模型基於Tensorflow的實現）。
不幸的是，我們沒辦法使用pip之類的方法來安裝Darkflow，所以我們需要克隆整個代碼庫，然後自己動手完成項目的構建和安裝。安裝好Darkflow項目之後，我們還需要下載一個YOLO模型。
因為我使用的是速度比較慢的計算機和板載CPU（而不是速度較快的GPU），所以我選擇使用YOLO v2迷你網絡。當然了，它的功能肯定沒有完整的YOLO v2模型的推斷準確性高啦！
配置完成之後，我們還需要在計算機中安裝Pillow、numpy和OpenCV。最後，我們就可以徹底完成我們的代碼，並進行圖像檢測了。
最終的代碼如下所示：
此時，我們不僅可以在命令控制檯中查看到樹莓派所檢測到的內容，而且我們還可以直接在硬盤中查看保存下來的小鳥照片。接下來，我們就可以使用YOLO來標記圖片中的小鳥了。
假陽性跟假陰性之間的平衡
我們在代碼的options字典中設置了一個threshold鍵，這個閾值代表的是我們用於檢測圖像的某種成功率。在測試過程中，我們將其設為了0.1，但是如此低的閾值會給我們帶來是更高的假陽性以及誤報率。更糟的是，我們所使用的迷你YOLO模型準確率跟完整的YOLO模型相比，差得太多了，但這也是需要考慮的一個平衡因素。
降低閾值意味著我們可以得到更多的模型輸出（照片），在我的測試環境中，我閾值設置的比較低，因為我想得到更多的小鳥照片，不過大家可以根據自己的需要來調整閾值參數。
代碼開源
跟之前一樣，我已經將所有的代碼上傳到GitHub上了，感興趣的同學可以點擊閱讀原文下載安裝。
閱讀更多 青程派 的文章
