使用Youtube视频进行视频处理测试
进群：125240963 即可获取数十套PDF哦！
动机
我们从 Dat Tran 这篇文章开始挑战实时目标检测。我将使用 python 的 multiprocessing 库，增加处理网络摄像头时的 FPS。为了进一步提高可移植性，我将项目集成到 Docker 容器中。不过处理进出容器的视频流可能会有一点麻烦。
我认为使用 Docker 应是当今数据科学家的必备技能。在数据科学和机器学习领域，每周都会发布许多新的算法，工具和程序，直接在你的计算机目录上安装调试这些代码、程序会让系统变得凌乱不堪。为了防止这种情况，我使用 Docker 容器来创建我的数据科学工作区将程序部署在容器中。
你可以在我的代码库中找到这个项目的 Dockerfile。以下是我安装配置 Tensorflow 目标检测的方法（按照官方安装指南）：
实时图像目标检测
我首先尝试将目标检测应用于我的网络摄像头。在 Dat Tran 的文章中有这部分的详细描述。难点在于将网络摄像头流发送到 docker 容器并恢复输出流以使用 X11 服务器显示它。
将视频流发送到容器
Linux 系统可以在/ dev /目录中找到摄像头设备，并可以将其作为文件进行操作。通常笔记本电脑摄像头是「0」设备。要将其数据流发送到 docker 容器，请在运行 docker 镜像时使用 device 参数：
现在我们可以运行 docker 容器看看效果
目标检测结果 (我是个害羞的人⁄(⁄ ⁄•⁄ω⁄•⁄ ⁄)⁄)
尽管主机具有X服务配置，我仍不能完全删除代码中的bug。在OpenCV中 需要通过调用python 脚本（init-openCV.py）来进行初始化，即使用函数cv2.imshow 。用这种方法我得到了如下的错误消息：
如果输入队列没满，下一帧视频从视频流中读取并且放进队列中。否则，当视频帧没有从输入队列获取时不会处理任何事情。
为了解决帧率顺序的问题，我使用了如下这种优先队列作为第二输入队列：
1. 视频帧带着对应的视频帧编号被读取并放入输入队列中（实际上是一个python 列表对象放入了序列）。
2. 然后，工作单元从输入队列中提取视频帧，处理后将它们放入第一个输出队列（依然带着它们相关的视频帧编号）。
总结
在这篇文章中，我展示了如何使用docker来实现Tensorflow的实时目标检测项目。如上所述，docker是测试新数据科学工具最安全的方法，同时可以将解决方案打包给用户。我也将如何采用来自Dat Tran 原始的python 脚本利用多进程去进行视频处理展示给你。
谢谢你从头到尾阅读这篇文章。如上所述，这个项目有许多可以提高的地方。如果您有任何意见，请不要犹豫立刻告知我，我总是热衷得到建议或评论。