Разпознаване на лице на практика: 21 стъпки

2024 Автор: John Day | [email protected]. Последно модифициран: 2024-01-30 07:51

Това е тема, от която съм толкова очарован, че ме кара да губя сън: Компютърно зрение, откриване на обекти и хора чрез предварително обучен модел.

Стъпка 1: Въведение

Ще използваме алгоритъма YoloV3, за да стартираме приложение и да изпълним проекта.

Работих с невронна мрежа преди 15 години и мога да кажа, че това бяха „трудни“времена, предвид наличните ресурси по това време.

Стъпка 2: Използвани ресурси

· Камера Logitech C270

· Компютър

· NVIDIA GeForce GTX 1660

Стъпка 3:

Стъпка 4: Предпоставки

За да се изпълняват дълбоки невронни мрежи (DNN) е необходимо да се използват паралелни изчисления, с графичен процесор.

Така че ще ви е необходима мощна видеокарта от NVIDIA и ще стартирате алгоритъма, използвайки CUDA API (набор от виртуални инструкции за GPU).

За да изпълните алгоритъма, първо трябва да имате инсталирани следните пакети:

- NVIDIA видеокарта

- CUDA

- CUDNN (библиотека за дълбока невронна мрежа на CUDA)

- OpenCV

Стъпка 5: Изисквания към компютъра

Стъпка 6: Настройка на YOLO

Откриване с помощта на предварително обучен модел

Отворете терминала и въведете горните команди.

Стъпка 7: Променете MakeFile

Променете файла „MakeFile“, както е на фигурата по -горе, защото ще използваме обработка на GPU, CUDNN и OpenCV. След като промените, изпълнете командата „make“.

Стъпка 8: Изчакайте да завърши

Командата „make“в Стъпка 7 ще компилира всичко за използване от алгоритмите и отнема известно време за изпълнение.

Стъпка 9: За компютри, които не отговарят на изискванията

Ако вашият компютър и видеокартата не са толкова мощни или искате по -добра производителност, променете файла 'cfg /yolov3.cfg'.

Горната конфигурация беше използвана в този проект.

Стъпка 10: YOLO V3

Системите за откриване обикновено прилагат модела към изображение на няколко различни места и мащаби.

YOLO прилага една невронна мрежа към цялото изображение. Тази мрежа разделя изображението на региони и предоставя ограничаващи полета и вероятности за всеки регион.

YOLO има няколко предимства. Той вижда изображението като цяло, така че прогнозите му се генерират от глобалния контекст в изображението.

Той прави прогнози с една оценка на мрежата, за разлика от R-CNN, който прави хиляди оценки за едно изображение.

Той е до 1000 пъти по-бърз от R-CNN и 100 пъти по-бърз от Fast R-CNN.

Стъпка 11: Стартирайте YOLO

За да стартирате YOLO, просто отворете терминала в папката “darknet” и въведете команда.

Можете да стартирате YOLO по 4 начина:

· Образ

· Множество изображения

· Поточно предаване (уеб камера)

· Видео

Стъпка 12: YOLO V3 - Изображение

Поставете желаното изображение в папката „данни“в darknet и след това изпълнете командата по -горе, като промените името на изображението.

Стъпка 13: YOLO V3 - Входно изображение

Стъпка 14: YOLO V3 - Изходно изображение

Стъпка 15: YOLO V3 - Множество изображения

Поставете изображенията в някаква папка и вместо да предоставите пътя на изображението, оставете го празно и изпълнете командата, както можете да видите по -горе (вляво).

След това ще се появи нещо като фигурата вдясно, просто поставете пътя на изображението и кликнете върху „Enter“и повторете тези стъпки за няколко изображения.

Стъпка 16: YOLO V3 - WebCam

Изпълнете командата по -горе и след зареждането на мрежата ще се появи уеб камерата.

Стъпка 17: YOLO V3 - Видео

Поставете желания видеоклип в папката „данни“в darknet и след това изпълнете командата по -горе, като промените името на видеоклипа.

Стъпка 18: YOLO V3 - EXPO3D Видео 1

Стъпка 19: YOLO V3 - Видео EXPO3D 2

Стъпка 20: YOLO V3 - Видео EXPO3D 3

Стъпка 21: PDF за изтегляне

ИЗТЕГЛЕТЕ PDF (на бразилски португалски)