Kasvontunnistus käytännössä: 21 vaihetta

2025 Kirjoittaja: John Day | [email protected]. Viimeksi muokattu: 2025-01-23 14:41

Tämä on aihe, josta olen niin kiinnostunut, että se saa minut nukkumaan: Computer Vision, esineiden ja ihmisten havaitseminen esikoulutetun mallin avulla.

Vaihe 1: Johdanto

Käytämme YoloV3 -algoritmia sovelluksen suorittamiseen ja projektin suorittamiseen.

Työskentelin hermoverkon kanssa 15 vuotta sitten ja voin sanoa, että ne olivat "vaikeita" aikoja, kun otetaan huomioon tuolloin käytettävissä olevat resurssit.

Vaihe 2: Käytetyt resurssit

· Logitech C270 -kamera

· Tietokone

· NVIDIA GeForce GTX 1660

Vaihe 3:

Vaihe 4: Edellytykset

Syvä neuroverkkojen (DNN) käyttäminen edellyttää rinnakkaislaskentaa GPU: n kanssa.

Tarvitset siis tehokkaan NVIDIA -näytönohjaimen ja suoritat algoritmin käyttämällä CUDA -sovellusliittymää (GPU -virtuaalikäskysarja).

Jotta voit suorittaa algoritmin, sinun on ensin asennettava seuraavat paketit:

- NVIDIA -näytönohjain

- CUDA

- CUDNN (CUDA Deep Neural Network Library)

- OpenCV

Vaihe 5: Tietokonevaatimukset

Vaihe 6: Asenna YOLO

Tunnistus esikoulutetun mallin avulla

Avaa pääte ja kirjoita yllä olevat komennot.

Vaihe 7: Muokkaa MakeFileä

Muokkaa MakeFile -tiedostoa kuten yllä olevassa kuvassa, koska käytämme GPU-, CUDNN- ja OpenCV -käsittelyä. Suorita muokkaamisen jälkeen "make" -komento.

Vaihe 8: Odota, että se on valmis

Komento 'make' vaiheessa 7 kokoaa kaiken algoritmien käyttöön, ja sen suorittaminen kestää jonkin aikaa.

Vaihe 9: Tietokoneille, jotka eivät vastaa vaatimuksia

Jos tietokoneesi ja näytönohjaimesi eivät ole yhtä tehokkaita tai haluat paremman suorituskyvyn, vaihda tiedosto 'cfg /yolov3.cfg'.

Tässä projektissa käytettiin yllä olevaa kokoonpanoa.

Vaihe 10: YOLO V3

Tunnistusjärjestelmät soveltavat mallia tyypillisesti kuvaan useissa eri paikoissa ja mittakaavoissa.

YOLO soveltaa yhtä hermoverkkoa koko kuvaan. Tämä verkko jakaa kuvan alueiksi ja tarjoaa raja -laatikot ja todennäköisyydet kullekin alueelle.

YOLOlla on useita etuja. Se näkee kuvan kokonaisuutena, joten sen ennusteet luodaan kuvan globaalissa kontekstissa.

Se tekee ennusteita yhdellä verkkoarvioinnilla, toisin kuin R-CNN, joka tekee tuhansia arvioita yhdelle kuvalle.

Se on jopa 1000 kertaa nopeampi kuin R-CNN ja 100 kertaa nopeampi kuin Fast R-CNN.

Vaihe 11: YOLOn suorittaminen

Jos haluat käyttää YOLOa, avaa vain pääte “darknet” -kansiossa ja anna komento.

Voit käyttää YOLOa neljällä tavalla:

· Kuva

· Useita kuvia

· Suoratoisto (verkkokamera)

· Video

Vaihe 12: YOLO V3 - Kuva

Aseta haluamasi kuva "data" -kansioon darknetin sisällä ja suorita sen jälkeen yllä oleva komento kuvan nimen muuttamiseksi.

Vaihe 13: YOLO V3 - Syöttökuva

Vaihe 14: YOLO V3 - Tulostuskuva

Vaihe 15: YOLO V3 - Useita kuvia

Sijoita kuvat johonkin kansioon ja jätä se tyhjäksi kuvapolun antamisen sijaan ja suorita komento kuten yllä (vasemmalla).

Tämän jälkeen jotain oikeanpuoleisen kuvan kaltaista tulee näkyviin, aseta vain kuvan polku ja napsauta "enter" ja toista nämä vaiheet useille kuville.

Vaihe 16: YOLO V3 - WebCam

Suorita yllä oleva komento ja verkon lataamisen jälkeen verkkokamera tulee näkyviin.

Vaihe 17: YOLO V3 - Video

Aseta haluamasi video "data" -kansioon darknetin sisällä ja suorita sen jälkeen yllä oleva komento videon nimen muuttamiseksi.

Vaihe 18: YOLO V3 - EXPO3D Video 1

Vaihe 19: YOLO V3 - Video EXPO3D 2

Vaihe 20: YOLO V3 - Video EXPO3D 3

Vaihe 21: Lataa PDF

LATAA PDF (Brasilian portugaliksi)