---
# System prepended metadata
title: 【MNIST 多重手寫數字即時辨識： AutoKeras 結合 OpenCV，深度學習實用化，樹莓派也能跑！】
---
# 【MNIST 多重手寫數字即時辨識： AutoKeras 結合 OpenCV，深度學習實用化，樹莓派也能跑！】
在我們過去分享的幾篇文章中，都展示了 AutoKeras 如何能讓使用者在幾乎沒有深度學習專業知識的前提下訓練出出色的神經網路模型，而 AutoKeras 在視覺辨識方面的表現尤其強大。不過，有想過這類模型要如何應用在實際情境，例如進行即時影像辨識嗎？
正如書中介紹的，MNIST 手寫數字資料集向來被視為深度學習領域的「Hello World」入門範例。但正因它是黑白手寫數字，因此訓練資料單純且容易取得、模型訓練上較快，影像的預處理上也不會太難 (這其實已經很類似 OCR 光學辨識)，很容易就可做到在同一個畫面中偵測多重數字的功能。
為了提高模型的預測速度，我們也會將模型先轉換成 Tensorflow Lite 格式，這是針對行動裝置與微控制器開發的 Tensorflow 版本，在標準 Tensorflow 套件中有內建。當然，你也可以使用純 TF Lite 執行環境 (runtime)，這使得你也能在沒有安裝完整 Tensorflow 的平台或樹莓派上執行本篇的範例 (見後說明)。
以下的測試環境為 AutoKeras 1.0.16 post1 + Tensorflow 2.5.2 + OpenCV 4.5.5。由於程式運行的性質，我們是在原生 Python 3.9 64-bit 環境執行。
快速安裝指令：
`pip3 install --upgrade autokeras tensorflow==2.5.2 numpy opencv-python`
**訓練 AutoKeras 模型並產生 TF Lite 檔**
第一步便是訓練一個 MNIST 辨識模型，並把它轉為 TF Lite 格式。這部分其實相對簡單，因為我們只要用 AutoKeras 就能快速產生一個高效能的 CNN 模型：
```
TF_LITE_MODEL = './mnist.tflite' # 要儲存的 TF Lite 模型檔名
import autokeras as ak
import tensorflow as tf
from tensorflow.keras.datasets import mnist
# 載入 MNIST 資料集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 訓練 AutoKeras 模型
clf = ak.ImageClassifier(max_trials=1, overwrite=True)
clf.fit(x_train, y_train)
# 評估模型預測效能
loss, accuracy = clf.evaluate(x_test, y_test)
print(f'\nPrediction loss: {loss:.3f}, accurcy: {accuracy*100:.3f}%\n')
# 匯出 Keras 模型並檢視架構摘要
model = clf.export_model()
model.summary()
# 將 Keras 模型轉為 TF Lite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
# 儲存 TF Lite 模型
with open(TF_LITE_MODEL, 'wb') as f:
f.write(tflite_model)
```
筆者得到的輸出結果如下 (使用 GPU 因此僅花 6 至 7 分鐘)：
```
Trial 1 Complete [00h 04m 14s]
val_loss: 0.03911824896931648
Best val_loss So Far: 0.03911824896931648
Total elapsed time: 00h 04m 14s
Epoch 1/21
1875/1875 [==============================] - 8s 4ms/step - loss: 0.1584 - accuracy: 0.9513
Epoch 2/21
1875/1875 [==============================] - 8s 4ms/step - loss: 0.0735 - accuracy: 0.9778
Epoch 3/21
1875/1875 [==============================] - 8s 4ms/step - loss: 0.0616 - accuracy: 0.9809
(...中略...)
Epoch 19/21
1875/1875 [==============================] - 8s 4ms/step - loss: 0.0213 - accuracy: 0.9932
Epoch 20/21
1875/1875 [==============================] - 9s 5ms/step - loss: 0.0226 - accuracy: 0.9927
Epoch 21/21
1875/1875 [==============================] - 8s 4ms/step - loss: 0.0197 - accuracy: 0.9938
313/313 [==============================] - 1s 3ms/step - loss: 0.0387 - accuracy: 0.9897
Prediction loss: 0.039, accurcy: 98.970%
Model: "model"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_1 (InputLayer) [(None, 28, 28)] 0
_________________________________________________________________
cast_to_float32 (CastToFloat (None, 28, 28) 0
_________________________________________________________________
expand_last_dim (ExpandLastD (None, 28, 28, 1) 0
_________________________________________________________________
normalization (Normalization (None, 28, 28, 1) 3
_________________________________________________________________
conv2d (Conv2D) (None, 26, 26, 32) 320
_________________________________________________________________
conv2d_1 (Conv2D) (None, 24, 24, 64) 18496
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 12, 12, 64) 0
_________________________________________________________________
dropout (Dropout) (None, 12, 12, 64) 0
_________________________________________________________________
flatten (Flatten) (None, 9216) 0
_________________________________________________________________
dropout_1 (Dropout) (None, 9216) 0
_________________________________________________________________
dense (Dense) (None, 10) 92170
_________________________________________________________________
classification_head_1 (Softm (None, 10) 0
=================================================================
Total params: 110,989
Trainable params: 110,986
Non-trainable params: 3
_________________________________________________________________
```
可見這模型對測試集的預測準確率為 98.97%。而由於這是個簡單的 CNN 模型，因此轉換為 TF Lite 後僅有 436 KB 大小。
Keras 模型轉換到 TF Lite 的過程，其實還有一點要注意，就是模型會進行量化 (quantization)、將使用的資料從浮點數轉成整數來加快預測速度和縮減大小。還好 MNIST 圖像的資料本來就是 uint8，後面用 OpenCV 讀取的影像也是，因此無須做額外處置。
**OpenCV 的預處理**
第二步就是讀取 TF Lite 模型，用 OpenCV 從攝影機取得影像和做預處理，然後將可能是數字的區域抓出來、用模型預測看看。
最直覺的方式，是訂出一個特定大小的方框，然後讓這個方框在畫面中移動 (滑動窗格)，並不斷對方框中的東西做預測，直到預測結果顯示很有可能是數字再保留結果。就算我們只讓畫面中出現數字、其餘都是白紙，這樣做還是會有個問題：數字可能有大有小，這意味著我們得用不同大小的窗格重複掃描畫面，還得去掉可能重疊的判定結果。
幸好，由於訓練集的數字都是白字黑底，我們可以用 OpenCV 快速做些預處理來圈出可能的數字區域。下面我們來簡單解釋這種預處理是如何進行的。
下面是一張原始影像，有我們用簽字筆寫在紙上的 10 個數字：
由於 MNIST 資料集的性質，使用簽字筆才能得到明顯的字跡，而且應避免寫得太細長或歪斜，才能取得正確的辨識結果。
預處理的第一步是將影像轉為灰階：
接著做二值化 (binarization)，也就是將所有像素轉為非黑即白：
在做二值化時，可以設一個門檻決定灰階畫面中多亮或多暗的像素要轉為白或黑，不過我們也可以讓 OpenCV 自己判定 (見後面程式)。
再來我們多做一個叫做「形態學閉運算」(morphological closing) 的操作：
形態學閉運算其實由兩部分組成，在這裡是對白色的部分先做「膨脹」(dilation) 再做「腐蝕」(erosion)：
1. 讓白色區域往外均勻擴張。
2. 再從白色區域的邊緣往內均勻減少之。
這麼做的實際效果，就是讓白字部分的邊緣更清楚些、去掉字跡中微小的黑色雜點 (它們會在周圍的白色擴張時被蓋過)，對模型判讀上會較為有利。
接下來我們就能用 OpenCV 來圈出畫面上這些形體的輪廓 (contour)：
輪廓是個很好用的功能，這使我們不需實作滑動窗格，就能快速圈出可能的數字、也不需要考慮重疊的判定窗格。
當然，畫面邊緣的一些東西 (例如圖中的紙孔) 同樣會被 OpenCV 框起來。所以我們會在程式中要它忽略位在邊緣的任何輪廓框。
最後我們將這些框做一些處理，以便把影像送進模型做預測：
1. 由於我們寫的數字可能長寬不一樣，輪廓不是正方形，而 MNIST 圖像全部是 28 x 28、數字也位於正中央。所以把數字區域擷取出來後，得在邊緣填充一些黑邊，讓它比較接近原始的訓練圖像。
2. 接著把影像縮放到 28 x 28。
下面的結果便加上了模型的預測值：
可見透過以上的預處理步驟，我們得以從畫面中找出可能是數字的區域，並讓模型做判讀。(當然，我們這個模型也無法判斷某物「不是數字」。)
**搭配 OpenCV 進行即時偵測**
下面的程式就運用以上步驟，從 webcam 的即時影像來偵測手寫數字：
```
TF_LITE_MODEL = './mnist.tflite' # TF Lite 模型
IMG_W = 640 # 影像寬度
IMG_H = 480 # 影像高度
IMG_BORDER = 40 # 要忽略的影像邊緣寬度
DETECT_THRESHOLD = 0.7 # 顯示數字的判定機率門檻 (70%)
CONTOUR_COLOR = (0, 255, 255) # 數字框的顏色 (BGR)
LABEL_COLOR = (255, 255, 0) # 數字框的標籤顏色 (BGR)
LABEL_SIZE = 0.7 # 數字框標籤的字體大小 (70%)
import cv2
import numpy as np
# 載入 TF Lite 模型
import tensorflow as tf
interpreter = tf.lite.Interpreter(model_path=TF_LITE_MODEL)
# 取得模型輸出入節點的資訊
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
# 取得輸入節點的影像大小
INPUT_SHAPE = input_details[0]['shape'][1:3]
# 做形態學閉運算用的 kernel
MORPH_KERNEL = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
# 從 webcam 擷取影像
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, IMG_W)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, IMG_H)
while cap.isOpened():
# 取得一個畫格
success, frame = cap.read()
# 將畫格轉為灰階
frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 影像二值化 (轉為黑白, 門檻自動判定)
_, frame_binary = cv2.threshold(frame_gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)
# 用形態學閉運算去掉黑噪點
frame_binary = cv2.morphologyEx(frame_binary, cv2.MORPH_CLOSE, MORPH_KERNEL)
# 將畫面中的形體框起來
contours, _ = cv2.findContours(frame_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 走訪所有框
for contour in contours:
x, y, w, h = cv2.boundingRect(contour)
# 忽略跟畫面邊界重疊的框
if x < IMG_BORDER or x + w > (IMG_W - 1) - IMG_BORDER or y < IMG_BORDER or y + h > (IMG_H - 1) - IMG_BORDER:
continue
# 忽略太大或太小的框
if w < INPUT_SHAPE[0] // 2 or h < INPUT_SHAPE[1] // 2 or w > IMG_W // 2 or h > IMG_H // 2:
continue
# 用框擷取出目標影像區域
img = frame_binary[y: y + h, x: x + w]
# 在影像四周加一些黑色空白並使之成為正方形
r = max(w, h)
y_pad = ((w - h) // 2 if w > h else 0) + r // 5
x_pad = ((h - w) // 2 if h > w else 0) + r // 5
img = cv2.copyMakeBorder(img, top=y_pad, bottom=y_pad, left=x_pad, right=x_pad, borderType=cv2.BORDER_CONSTANT, value=(0, 0, 0))
# 將影像縮小到符合模型輸入形狀
img = cv2.resize(img, INPUT_SHAPE, interpolation=cv2.INTER_AREA)
# 做出一筆預測
interpreter.set_tensor(input_details[0]['index'], np.expand_dims(img, axis=0))
interpreter.invoke()
predicted = interpreter.get_tensor(output_details[0]['index']).flatten()
# 取得預測標籤及其判定機率
label = predicted.argmax(axis=0)
prob = predicted[label]
# 若機率未過門檻則忽略
if prob < DETECT_THRESHOLD:
continue
# 對原始畫格在數字區域畫框和顯示標籤
cv2.rectangle(frame, (x, y), (x + w, y + h), CONTOUR_COLOR, 2)
cv2.putText(frame, str(label), (x + w // 5, y - h // 5), cv2.FONT_HERSHEY_COMPLEX, LABEL_SIZE, LABEL_COLOR, 2)
# 顯示畫格
cv2.imshow('MNIST Live Detection', frame)
# 若使用者按下 'q' 就結束
if cv2.waitKey(1) == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
```
這回我們直接將輪廓框和判讀結果畫在原始畫面中，而當我們直接在紙上用簽字筆寫字時，模型也能立即抓到它：
(https://youtu.be/j9VTobscRfs)
**在樹莓派運行本範例**
其實你也能藉由 TF Lite runtime 來在本機或樹莓派之類的裝置上運行上述程式。到 https://github.com/google-coral/pycoral/releases/ 下載符合你平台的 wheel 封裝檔：
`pip3 install `
例如，若使用樹莓派 4 並安裝去年底最新的 Bullseye 版 Raspberry Pi OS，你得下載
`tflite_runtime-2.5.0.post1-cp39-cp39-linux_armv7l.whl`
若安裝 Buster 版 (包括 Raspberry Pi Legacy OS)，則得使用
`tflite_runtime-2.5.0.post1-cp37-cp37m-linux_armv7l.whl`
接著把前面的即時偵測程式的這兩行
```
import tensorflow as tf
interpreter = tf.lite.Interpreter(model_path=TF_LITE_MODEL)
```
換成以下兩行：
```
from tflite_runtime.interpreter import Interpreter
interpreter = Interpreter(model_path=TF_LITE_MODEL)
```
這麼一來其餘程式都不必更動，你就能在不安裝完整 Tensorflow (包括目前無法安裝 Tensorflow 2 的樹莓派 OS) 的前提下載入同樣的 TF Lite 模型 (記得把產生的 mnist.tflite 檔也複製到樹莓派內)：
**尾聲：關於其他多重物件偵測模型**
前面提過，若要在影像中尋找可能的偵測對象，辦法之一是用移動窗格掃描畫面的不同位置並重複預測，但這樣會帶來可觀的運算負擔。不同的技術也被提出來解決這種問題。
著名的 YOLO (You Only Look Once) 和 SSD (Single Shot MultiBox Detector) 模型儘管運作原理不同，但都只要對模型輸入一次畫格，就能偵測多重物件了。YOLO 使用單一模型對整個畫面進行迴歸預測，而 SSD 則是先對畫面用 CNN 產生特徵。這些模型使用的訓練集已經事先標註好畫面中每個物體的所在位置，因此它們可以直接回報畫面中可能的物體位在何處。換言之，我們不必自己框出物體，這是模型自身就能做到的事。你甚至可以藉由標註自己的照片，來用這些模型做遷移學習 (transfer learning)。
有興趣的人可參閱《[Raspberry Pi 樹莓派：Python x AI 超應用聖經](https://pse.is/3w8gjx)》，裡面有使用 YOLO 以及 MobileNet-SSD 進行圖片／即時影像辨識的範例。MobileNet 由 Google 開發，而預訓練好的 MobileNet-SSD 同樣被轉為 TF Lite 版本，以利於在行動裝置或樹莓派上運行。
相關書籍：
《AutoML 自動化機器學習》→ https://pse.is/3vbac4
《Raspberry Pi 樹莓派》→ https://pse.is/3w8gjx