Rozpoznawanie twarzy w praktyce: 21 kroków

2024 Autor: John Day | [email protected]. Ostatnio zmodyfikowany: 2024-01-30 11:29

Jest to temat, którym jestem tak zafascynowany, że nie mogę spać: widzenie komputerowe, wykrywanie obiektów i ludzi za pomocą wstępnie wytrenowanego modelu.

Krok 1: Wprowadzenie

Wykorzystamy algorytm YoloV3 do uruchomienia aplikacji i uruchomienia projektu.

Pracowałem z siecią neuronową 15 lat temu i mogę powiedzieć, że były to „trudne” czasy, biorąc pod uwagę dostępne wówczas zasoby.

Krok 2: Wykorzystane zasoby

· Kamera Logitech C270

· Komputer

· NVIDIA GeForce GTX 1660

Krok 3:

Krok 4: Warunki wstępne

Do uruchomienia głębokich sieci neuronowych (DNN) konieczne jest użycie obliczeń równoległych z GPU.

Będziesz więc potrzebować potężnej karty graficznej firmy NVIDIA i uruchomić algorytm za pomocą interfejsu CUDA API (zestaw instrukcji wirtualnych GPU).

Aby uruchomić algorytm musisz najpierw mieć zainstalowane następujące pakiety:

- Napęd karty graficznej NVIDIA

- CUDA

- CUDNN (biblioteka głębokich sieci neuronowych CUDA)

- OpenCV

Krok 5: Wymagania komputerowe

Krok 6: Konfiguracja YOLO

Wykrywanie przy użyciu wstępnie wytrenowanego modelu

Otwórz terminal i wprowadź powyższe polecenia.

Krok 7: Zmodyfikuj MakeFile

Zmodyfikuj plik „MakeFile” jak na powyższym rysunku, ponieważ będziemy używać przetwarzania GPU, CUDNN i OpenCV. Po zmodyfikowaniu uruchom polecenie „make”.

Krok 8: Poczekaj, aż się zakończy

Polecenie „make” w kroku 7 skompiluje wszystko do użycia przez algorytmy, a jego uruchomienie zajmuje trochę czasu.

Krok 9: W przypadku komputerów, które nie spełniają wymagań

Jeśli Twój komputer i karta graficzna nie są tak wydajne lub potrzebujesz lepszej wydajności, zmień plik 'cfg /yolov3.cfg'.

Powyższa konfiguracja została wykorzystana w tym projekcie.

Krok 10: YOLO V3

Systemy wykrywania zazwyczaj stosują model do obrazu w kilku różnych lokalizacjach i skalach.

YOLO stosuje pojedynczą sieć neuronową do całego obrazu. Ta sieć dzieli obraz na regiony i zapewnia ramki ograniczające i prawdopodobieństwa dla każdego regionu.

YOLO ma kilka zalet. Widzi obraz jako całość, więc jego przewidywania są generowane przez globalny kontekst obrazu.

Wykonuje prognozy na podstawie pojedynczej oceny sieci, w przeciwieństwie do R-CNN, która wykonuje tysiące ocen dla jednego obrazu.

Jest do 1000 razy szybszy niż R-CNN i 100 razy szybszy niż Fast R-CNN.

Krok 11: Uruchamianie YOLO

Aby uruchomić YOLO, po prostu otwórz terminal w folderze „ darknet” i wprowadź polecenie.

Możesz uruchomić YOLO na 4 sposoby:

· Obraz

· Wiele obrazów

· Streaming (kamera internetowa)

· Wideo

Krok 12: YOLO V3 - Obraz

Umieść żądany obraz w folderze „data” w darknet, a następnie uruchom powyższe polecenie, modyfikując nazwę obrazu.

Krok 13: YOLO V3 - Obraz wejściowy

Krok 14: YOLO V3 - Obraz wyjściowy

Krok 15: YOLO V3 - wiele obrazów

Umieść obrazy w jakimś folderze i zamiast podawać ścieżkę obrazu, pozostaw ją pustą i uruchom polecenie, jak widać powyżej (po lewej).

Następnie pojawi się coś takiego jak rysunek po prawej stronie, po prostu umieść ścieżkę obrazu i kliknij „ Enter” i powtórz te kroki dla kilku obrazów.

Krok 16: YOLO V3 - kamera internetowa

Uruchom powyższe polecenie i po załadowaniu sieci pojawi się kamera internetowa.

Krok 17: YOLO V3 - wideo

Umieść żądany film w folderze „data” w darknet, a następnie uruchom powyższe polecenie, modyfikując nazwę wideo.

Krok 18: YOLO V3 - Wideo EXPO3D 1

Krok 19: YOLO V3 - Wideo EXPO3D 2

Krok 20: YOLO V3 - Wideo EXPO3D 3

Krok 21: PDF do pobrania

POBIERZ PDF (w brazylijskim portugalskim)