Reconeixement facial a la pràctica: 21 passos

2024 Autora: John Day | [email protected]. Última modificació: 2024-01-30 08:12

Aquest és un tema que em fascina tant, que em fa perdre el son: la visió per computador, la detecció d’objectes i persones mitjançant un model prèviament entrenat.

Pas 1: Introducció

Utilitzarem l’algorisme YoloV3 per executar una aplicació i executar el projecte.

Vaig treballar amb la xarxa neuronal fa 15 anys i puc dir que eren èpoques “difícils”, atesos els recursos disponibles en aquell moment.

Pas 2: recursos utilitzats

· Càmera Logitech C270

· Ordinador

· NVIDIA GeForce GTX 1660

Pas 3:

Pas 4: requisits previs

Per executar xarxes neuronals profundes (DNN) és necessari utilitzar computació paral·lela, amb una GPU.

Per tant, necessitareu una targeta de vídeo potent de NVIDIA i executeu l'algorisme mitjançant l'API CUDA (conjunt d'instruccions virtuals de la GPU).

Per executar l'algorisme, primer heu de tenir instal·lats els paquets següents:

- Unitat de targeta de vídeo NVIDIA

- CUDA

- CUDNN (Biblioteca de xarxes neuronals profundes CUDA)

- OpenCV

Pas 5: Requisits de l'ordinador

Pas 6: configureu YOLO

Detecció mitjançant un model pre-entrenat

Obriu el terminal i introduïu les ordres anteriors.

Pas 7: Modifiqueu MakeFile

Modifiqueu el fitxer "MakeFile" tal i com es mostra a la figura anterior, perquè utilitzarem el processament GPU, CUDNN i OpenCV. Després de modificar-lo, executeu l’ordre ‘make’.

Pas 8: espereu que es completi

L'ordre "make" al pas 7 recopilarà tot per a ús dels algoritmes i triga un temps a executar-se.

Pas 9: per a equips que no compleixin els requisits

Si l'ordinador i la targeta de vídeo no són tan potents o voleu obtenir un millor rendiment, canvieu el fitxer "cfg /yolov3.cfg".

La configuració anterior es va utilitzar en aquest projecte.

Pas 10: YOLO V3

Els sistemes de detecció solen aplicar el model a una imatge en diverses ubicacions i escales diferents.

YOLO aplica una única xarxa neuronal a tota la imatge. Aquesta xarxa divideix la imatge en regions i proporciona quadres de delimitació i probabilitats per a cada regió.

YOLO té diversos avantatges. Veu la imatge com un tot, de manera que les seves prediccions són generades pel context global de la imatge.

Fa prediccions amb una única avaluació de xarxa, a diferència de R-CNN que fa milers d’avaluacions per a una sola imatge.

És fins a 1000 vegades més ràpid que R-CNN i 100 vegades més ràpid que R-CNN ràpid.

Pas 11: Execució de YOLO

Per executar YOLO, només cal obrir el terminal a la carpeta "darknet" i introduir una ordre.

Podeu executar YOLO de 4 maneres:

· Imatge

· Imatges múltiples

· Transmissió (càmera web)

· Vídeo

Pas 12: YOLO V3: imatge

Col·loqueu la imatge que vulgueu a la carpeta "dades" dins de darknet i, després, executeu l'ordre anterior modificant el nom de la imatge.

Pas 13: YOLO V3: entrada d’imatge

Pas 14: YOLO V3: sortida de la imatge

Pas 15: YOLO V3: diverses imatges

Col·loqueu les imatges en alguna carpeta i, en lloc de proporcionar el camí de la imatge, deixeu-la en blanc i executeu l'ordre com podeu veure més amunt (a l'esquerra).

Després d'això, apareixerà una cosa semblant a la figura de la dreta, simplement col·loqueu el camí de la imatge i feu clic a "entrar" i repetiu aquests passos per a diverses imatges.

Pas 16: YOLO V3: càmera web

Executeu l'ordre anterior i després de carregar la xarxa, apareixerà la càmera web.

Pas 17: YOLO V3: vídeo

Col·loqueu el vídeo que vulgueu a la carpeta "dades" dins de darknet i, després, executeu l'ordre anterior modificant el nom del vídeo.

Pas 18: vídeo 1 de YOLO V3 - EXPO3D

Pas 19: YOLO V3: vídeo EXPO3D 2

Pas 20: YOLO V3: vídeo EXPO3D 3

Pas 21: PDF per descarregar

DESCÀRREGA PDF (en portuguès brasiler)