Распознавание лиц на практике: 21 шаг

2024 Автор: John Day | [email protected]. Последнее изменение: 2024-01-30 11:50

Это тема, которая меня так увлекает, что заставляет меня терять сон: компьютерное зрение, обнаружение объектов и людей с помощью предварительно обученной модели.

Шаг 1. Введение

Мы будем использовать алгоритм YoloV3, чтобы запустить приложение и запустить проект.

Я работал с нейронной сетью 15 лет назад и могу сказать, что это были «трудные» времена, учитывая ресурсы, доступные в то время.

Шаг 2. Используемые ресурсы

· Камера Logitech C270

· Компьютер

· NVIDIA GeForce GTX 1660

Шаг 3:

Шаг 4: предварительные условия

Для запуска глубоких нейронных сетей (DNN) необходимо использовать параллельные вычисления с помощью графического процессора.

Так что вам понадобится мощная видеокарта от NVIDIA и запустить алгоритм с помощью CUDA API (виртуальный набор инструкций графического процессора).

Для запуска алгоритма у вас должны быть установлены следующие пакеты:

- Привод видеокарты NVIDIA

- CUDA

- CUDNN (библиотека глубокой нейронной сети CUDA)

- OpenCV

Шаг 5: Требования к компьютеру

Шаг 6: Настройте YOLO

Обнаружение с использованием предварительно обученной модели

Откройте терминал и введите указанные выше команды.

Шаг 7: измените MakeFile

Измените файл «MakeFile», как показано на рисунке выше, потому что мы будем использовать обработку GPU, CUDNN и OpenCV. После внесения изменений запустите команду «make».

Шаг 8: дождитесь завершения

Команда make на шаге 7 скомпилирует все для использования алгоритмами, и ее выполнение займет некоторое время.

Шаг 9. Для компьютеров, не соответствующих требованиям

Если ваш компьютер и видеокарта не такие мощные или вам нужна лучшая производительность, измените файл cfg /yolov3.cfg.

Вышеупомянутая конфигурация использовалась в этом проекте.

Шаг 10: YOLO V3

Системы обнаружения обычно применяют модель к изображению в нескольких разных местах и в разных масштабах.

YOLO применяет единую нейронную сеть ко всему изображению. Эта сеть делит изображение на области и предоставляет ограничивающие рамки и вероятности для каждой области.

YOLO имеет ряд преимуществ. Он видит изображение как единое целое, поэтому его прогнозы генерируются глобальным контекстом изображения.

Он делает прогнозы с помощью одной сетевой оценки, в отличие от R-CNN, который делает тысячи оценок для одного изображения.

Это до 1000 раз быстрее, чем R-CNN, и в 100 раз быстрее, чем Fast R-CNN.

Шаг 11: Запуск YOLO

Чтобы запустить YOLO, просто откройте терминал в папке «darknet» и введите команду.

Вы можете запустить YOLO 4 способами:

· Изображение

· Несколько изображений

· Потоковое видео (веб-камера)

· Видео

Шаг 12: YOLO V3 - Изображение

Поместите нужное изображение в папку «data» внутри даркнета и после этого выполните указанную выше команду, изменив имя изображения.

Шаг 13: YOLO V3 - Входное изображение

Шаг 14: YOLO V3 - Выходное изображение

Шаг 15: YOLO V3 - несколько изображений

Поместите изображения в какую-нибудь папку и вместо того, чтобы указывать путь к изображению, оставьте его пустым и выполните команду, как вы можете видеть выше (слева).

После этого появится что-то вроде рисунка справа, просто поместите путь к изображению, нажмите «Enter» и повторите эти шаги для нескольких изображений.

Шаг 16: YOLO V3 - Веб-камера

Выполните команду выше, и после загрузки сети появится веб-камера.

Шаг 17: YOLO V3 - Видео

Поместите нужное видео в папку «data» внутри даркнета и после этого выполните указанную выше команду, изменив имя видео.

Шаг 18: YOLO V3 - EXPO3D Video 1

Шаг 19: YOLO V3 - Видео EXPO3D 2

Шаг 20: YOLO V3 - Video EXPO3D 3

Шаг 21: PDF-файл для загрузки

СКАЧАТЬ PDF (на бразильском португальском)