计算机视觉技术在多个领域有着广泛的应用。例如，政府可以分析地形测量数据，了解国内太阳能板的使用数量和分布情况。保险公司可以利用航拍图像自动验证新投保房屋上的太阳能板数量。本文将展示如何使用计算机视觉技术在航拍图像中识别太阳能板。使用的模型在200张图像上训练，平均精度均值（mAP）得分为70%。还将讨论如何通过添加自己的数据来微调模型。
以下是模型在航拍图像上识别太阳能板的示例：将使用RoboflowUniverse上提供的“航拍太阳能板”模型。Universe是一个社区，提供超过50,000个预训练的视觉模型，用于计算机视觉项目。要访问此模型，需要一个免费的Roboflow账户。
在RoboflowUniverse上打开“航拍太阳能板”模型。此模型已训练用于识别航拍图像中的太阳能板。点击左侧边栏的“模型”以测试模型。将被带到一个页面，可以在该页面上上传自己的数据进行测试。还可以从模型附带的测试集中选择一张图像。
模型准备就绪后，有两种部署选项：使用托管的Roboflow API在云端运行模型；使用Roboflow Inference在自己的硬件上运行模型。本指南将展示如何使用托管的Roboflow API。如果想在自己的硬件上部署模型，可以按照Roboflow Inference模型设置说明进行操作。
要开始使用托管API，请在“航拍太阳能板”模型页面上滚动。将出现一个代码片段，可以使用它来运行模型。代码片段将如下所示，填入Roboflow API密钥：
from roboflow import Roboflow
rf = Roboflow(api_key="API_KEY")
project = rf.workspace().project("aerial-solar-panels")
model = project.version(6).model
print(model.predict("your_image.jpg", confidence=40, overlap=30).json())
此代码将返回托管模型的预测结果。可以使用Supervision，一个用于计算机视觉模型的Python包，它具有用于可视化模型预测的广泛API。将“your_image.jpg”替换为想要运行推理的文件名。
运行代码后，将看到预测结果。运行以下命令以安装Supervision：
pip install supervision
更新代码以包含以下内容：
import supervision as sv
import cv2
image_name = "image.jpeg"
image = cv2.imread(image_name)
results = model.predict(image_name, confidence=40, overlap=30).json()
detections = sv.Detections.from_inference(results)
bounding_box_annotator = sv.BoundingBoxAnnotator()
label_annotator = sv.LabelAnnotator()
annotated_image = bounding_box_annotator.annotate(
scene=image, detections=detections)
annotated_image = label_annotator.annotate(
scene=annotated_image, detections=detections)
sv.plot_image(annotated_image)
上述代码将从太阳能板API检索结果，然后在运行推理的图像上绘制结果。结果将交互式显示。
现在有了可以识别太阳能板的视觉模型，有几个可能的下一步行动：使用自己的数据改进模型；增加识别房屋的能力；添加自己的逻辑以使用模型。
如果上述模型在图像上表现不佳，鼓励导出与模型相关的数据集。然后，可以使用该数据集创建自己的Roboflow项目。这个项目可以使用自己的数据。需要标记数据，但Roboflow的自动标记解决方案可能能够帮助标记数据集中的许多，如果不是大多数，太阳能板。
要了解更多关于Roboflow的自动标记解决方案，请参考。
对于某些应用，例如保险评估，可能需要知道特定屋顶上有多少太阳能板。即使已经裁剪出了财产的区域，也可能有外部太阳能板（即花园中的那些），或者在财产附近，不想包括在内。
可以更新之前使用的模型，使其也能识别屋顶。然后，可以使用模型裁剪出每个屋顶，并计算每个屋顶上的太阳能板数量。
如果上述模型在数据上表现符合预期，可以开始围绕模型开发业务逻辑。例如，可以计算图像中的太阳能板数量。可以将结果与外部产品（例如保险验证，条例调查）连接起来，以得出与业务相关的见解。可以监控趋势，并回答诸如“去年城市中太阳能板的使用量是否增加了，如果是，增加了多少？”之类的问题。
Supervision提供了广泛的实用工具，可用于分析和操作视觉模型的检测结果。例如，可以计算检测结果。可以按类别、框区域、置信度等过滤检测结果。
要查看更多关于计算机视觉模型预测的示例，请参考。