Detección de objetos en imágenes utilizando Python y la librería OpenCV

En el mundo de la inteligencia artificial, la detección de objetos es una de las técnicas más valoradas. Esta técnica consiste en identificar objetos en una imagen y, en muchos casos, trazar un rectángulo alrededor de ellos para destacarlos en la imagen.

En este tutorial, aprenderás cómo utilizar la librería OpenCV de Python para detectar objetos en imágenes, siguiendo unos pasos muy sencillos.

Paso 1: Instalación de OpenCV

Primero, necesitamos instalar OpenCV. Para ello, utilizaremos pip, el gestor de paquetes de Python.

            pip install opencv-python
         

Paso 2: Importar las bibliotecas y los archivos de imagen

Después de la instalación, importaremos las bibliotecas necesarias en nuestro código. A continuación, cargaremos las imágenes que queremos analizar.

            import cv2 
            import numpy as np 
            image = cv2.imread('image1.jpg')
         

Paso 3: Cargar los pre-entrenamientos de la red neuronal

OpenCV ya proporciona redes neuronales pre-entrenadas. Podemos cargarlas fácilmente utilizando la siguiente línea de código:

            net = cv2.dnn.readNetFromCaffe('deploy.prototxt.txt', 'res10_300x300_ssd_iter_140000.caffemodel')
         

Paso 4: Convertir la imagen de entrada en una matriz de datos que pueda ser procesada por la red neuronal

Antes de procesar la imagen en la red neuronal, necesitamos escalarla a un tamaño de 300*300 píxeles y convertirla en una matriz de datos. Para ello, utilizamos la siguiente línea de código:

            blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0))
         

Paso 5: Poner la imagen escalada y convertida en la red neuronal y realizar predicciones

Ahora podemos introducir la imagen escalada y convertida en la red neuronal pre-entrenada. La red nos devolverá una serie de regiones de interés (o "rois" por sus siglas en inglés), que representan los objetos detectados en la imagen. Para hacerlo, utilizamos la siguiente línea de código:

            net.setInput(blob)
            detections = net.forward()
         

Paso 6: Mostrar los resultados de la detección de objetos en la imagen de entrada

Con las detecciones que hemos obtenido mediante la red neuronal, podemos mostrar los objetos detectados en la imagen de entrada, utilizando la siguiente línea de código:

            for i in range(0, detections.shape[2]):
                confidence = detections[0, 0, i, 2]
    
                if confidence > 0.5:
                    box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
                    (startX, startY, endX, endY) = box.astype("int")
                    cv2.rectangle(image, (startX, startY), (endX, endY), (255, 0, 0), 2)
            cv2.imshow("Output", image)
            cv2.waitKey(0)
         

Paso 7: Ejecutar el código

Ahora que hemos codificado todo el proceso, podemos ejecutar nuestro código y ver los resultados.

Con OpenCV y Python podemos fácilmente detectar objetos en imágenes, utilizando redes neuronales previamente entrenadas y una serie de pasos sencillos y fáciles de seguir. Es un proceso muy interesante y puede ser muy útil en diferentes tipos de proyectos que involucren el análisis de imágenes.