挑战 21：帮助球童（第 1 部分）

级别：中

描述：球童汤姆是一位最受欢迎的高尔夫球手的助手，他向你寻求帮助。他厌倦了在球场上寻找高尔夫球——区分白球和绿草可能很烦人！因此，他希望您制定一个工作流程，帮助他识别从球场拍摄的图像上的高尔夫球。然后，您的任务是分割包含高尔夫球的图像。提示：KNIME 图像处理扩展对于这一挑战非常重要。

作者：达里亚·利亚赫

数据集：KNIME Hub 上的高尔夫球数据

CV

计算机视觉是一个高度成熟的领域。经典的图像处理算法有形态学中的腐蚀和膨胀、图像压缩、边缘检测、SIFT等。随着深度学习的普及，该领域的成熟度进一步提高。

早期，检测对象通常需要找到其特征并将其在图像上进行匹配，然后设置阈值进行过滤。然而，在大多数情况下，这不再是必要的。像 ResNet 和 YOLO 这样的老派算法似乎已经变得不那么流行了（尽管我不完全确定，考虑到 YOLO 已经有版本 8）。 Meta 的 SAM 算法的名字，代表 Segment Anything，也表明了这个领域的成熟。

这里我们没有使用 KNIME 的图像扩展，而是直接使用 YOLOv5。我不会描述安装过程，但如果您无法通过 “Conda Environment Propagation” 节点运行工作流，可以参考官方文档获取最新说明。

安装完成后，只需要使用Python节点即可：

import torch
# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
# Image
im = 'https://api.hub.knime.com/repository/Users/alinebessa/Just%20KNIME%20It!%20Season%202%20-%20Datasets/Challenge%2021%20-%20Dataset/Golf%20balls.jpg:data?spaceVersion=-1'
# Inference
results = model(im)
results.save()

就是这样！图像将保存在工作流程所在的文件夹中。