亚马逊刚刚发布了 DeepLens ，一款智能摄像机，使用机器学习来探测物体、面部表情，还有如同在相机上弹吉他这样的活动。尽管 DeepLens 目前还没问世，但智能相机这个点子是很令人期待的。

想象一下，如果你在使用一架能够分辨演奏吉他、创建新舞蹈，或者学习新的滑板技巧的照相机。它可以使用原始数据图像来判断你是否get到了一个技巧。或者当你正在做一个新的舞蹈动作时，它能分辨出这一系列的姿势，以及这些姿势是如何配合音乐的。

今天，我们要构建一个深度学习的摄像机，当有鸟出现在摄像机里面时，就保存当前的图片，最终的结果图是这样的:

深度学习相机是机器学习计算机全新平台的开端。

DeepLens有100 GFlops的计算能力可用于推断，这仅仅是一个深度学习相机所需计算能力的开始。在未来，这些设备将变得更加强大，并每秒可以对成百上千的图像进行判断。

不用在相机中构造一个深度学习模型，我们使用 edge 的“傻瓜”相机（相当于一个价值9美元的树莓派），将其挂接到一个网络摄像机上，然后通过 wifi 发送图片。尽管会有一点延迟，但我们可以构建一个 DeepLens 概念的原型，价格也更加便宜。

所以，在这篇文章里面，我们就这样来操作。先用python写一个服务端，将树莓派中的图片发送到另一台电脑进行推断或者图像检测。

另一台具有更强处理能力的计算机将使用名为“YOLO”的神经网络体系结构对该输入图像进行检测，并判断画面中是否有鸟。

我们将从 YOLO 这个结构开始，它是最快的检测模型之一。Tensorflow模型有一个端口，它非常易于安装并且可以运行在多种不同的平台上。如果您使用我们在本文中使用的模型，您还可以在CPU上进行检测，不需要昂贵的GPU。

在我们的原型中，如果在画面中检测到了鸟，那么我们就会将图片保存下来以供后续分析。

这只是智能深度照相机的开始，相当的基础，让我们开始吧。

正如之前说的那样，DeepLens 的成像刚好是在电脑中的，所以它可以做基本的检测，确定图像是否符合标准与机载计算能力。

但是像树莓派这样的东西，我们不一定要有实时检测的计算能力。因此，我们将使用另一台计算机来推断图像中的内容。

因此，我使用了一台简单的 linux 电脑，它具有网络摄像头和wifi接入功能（树莓派 3 和一款便宜的网络摄像机），它作为一个服务端，方便我的深度学习计算机来做推理。

这是一个很好的堆栈，因为它允许保存许多便宜的相机，并在我的台式机上在一个地方完成所有的计算。

如果你不想使用树莓派相机，你可以使用这些指令在你的树莓Pi上安装OpenCV 3，在指令中使用OpenCV 3.3.1版本，以获得本地安装的最新版本。

我必须禁用CAROTENE编译才能在我的Raspberry Pi上获得3.3.1版本。你或许也需要这样做。

完成上面的工作过后，我们就需要在 Flask 上面设置网络服务了，就可以从网络摄像机上加载图片了。

我使用Miguel Grinberg的摄像头服务器代码作为开端，创建了一个简单的jpg端点而不是运动jpeg端点：

如果您想使用Raspberry Pi摄像机，请确保没有注释 from camera_pi，并注释掉 from camera_opencv这一行。

就像在Miguel的文章中提到的一样，可以使用 python3 app.py或使用gunicorn命令来运行这个服务器，

利用相机管理功能，当没有请求进入的时候就关掉相机，并且如果有多台机器对摄像头进入的图像进行检测的时候，还能管理线程。

一旦我们启动了树莓派服务端，获得ip地址后就可以在浏览器里面去访问。

url 就如同这样：http://192.168.1.4:5000/image.jpg

[培训]内核驱动高级班，冲击BAT一流互联网大厂工作，每周日13:00-18:00直播授课