Gesichtserkennung in der Praxis - Gunook

2024 Autor: John Day | [email protected]. Zuletzt bearbeitet: 2024-01-30 07:17

Dieses Thema fasziniert mich so sehr, dass es mich schläfrig macht: Computer Vision, die Erkennung von Objekten und Personen durch ein vortrainiertes Modell.

Schritt 1: Einführung

Wir werden den YoloV3-Algorithmus verwenden, um eine Anwendung auszuführen und das Projekt auszuführen.

Ich habe vor 15 Jahren mit neuronalen Netzen gearbeitet und kann sagen, dass dies angesichts der damals verfügbaren Ressourcen „schwierige“Zeiten waren.

Schritt 2: Verwendete Ressourcen

· Logitech C270-Kamera

· Rechner

· NVIDIA GeForce GTX 1660

Schritt 3:

Schritt 4: Voraussetzungen

Um tiefe neuronale Netze (DNN) ausführen zu können, ist paralleles Computing mit einer GPU erforderlich.

Sie benötigen also eine leistungsstarke Grafikkarte von NVIDIA und führen den Algorithmus mit der CUDA-API (virtueller GPU-Befehlssatz) aus.

Um den Algorithmus auszuführen, müssen Sie zunächst die folgenden Pakete installiert haben:

- NVIDIA Grafikkartenlaufwerk

- CUDA

- CUDNN (CUDA Deep Neural Network Library)

- OpenCV

Schritt 5: Computeranforderungen

Schritt 6: YOLO. einrichten

Erkennung mit einem vortrainierten Modell

Öffnen Sie das Terminal und geben Sie die obigen Befehle ein.

Schritt 7: MakeFile ändern

Ändern Sie die Datei „MakeFile“wie in der obigen Abbildung, da wir GPU-, CUDNN- und OpenCV-Verarbeitung verwenden werden. Führen Sie nach dem Ändern den Befehl „make“aus.

Schritt 8: Warten Sie, bis es abgeschlossen ist

Der Befehl 'make' in Schritt 7 kompiliert alles für die Verwendung durch die Algorithmen, und die Ausführung dauert eine Weile.

Schritt 9: Für Computer, die nicht den Anforderungen entsprechen

Wenn Ihr Computer und Ihre Grafikkarte nicht so leistungsstark sind oder Sie eine bessere Leistung wünschen, ändern Sie die Datei 'cfg /yolov3.cfg'.

Die obige Konfiguration wurde in diesem Projekt verwendet.

Schritt 10: YOLO V3

Erkennungssysteme wenden das Modell typischerweise an mehreren unterschiedlichen Orten und Maßstäben auf ein Bild an.

YOLO wendet ein einzelnes neuronales Netzwerk auf das gesamte Bild an. Dieses Netzwerk unterteilt das Bild in Regionen und stellt Begrenzungsboxen und Wahrscheinlichkeiten für jede Region bereit.

YOLO hat mehrere Vorteile. Es sieht das Bild als Ganzes, sodass seine Vorhersagen durch den globalen Kontext im Bild generiert werden.

Es macht Vorhersagen mit einer einzigen Netzwerkbewertung, im Gegensatz zu R-CNN, das Tausende von Bewertungen für ein einzelnes Bild vornimmt.

Es ist bis zu 1000-mal schneller als R-CNN und 100-mal schneller als Fast R-CNN.

Schritt 11: Ausführen von YOLO

Um YOLO auszuführen, öffnen Sie einfach das Terminal im Ordner „ darknet “und geben Sie einen Befehl ein.

Sie können YOLO auf 4 Arten ausführen:

· Bild

· Mehrere Bilder

· Streaming (Webcam)

· Video

Schritt 12: YOLO V3 - Bild

Legen Sie das gewünschte Bild im Ordner „data“im Darknet ab und führen Sie anschließend den obigen Befehl aus, um den Bildnamen zu ändern.

Schritt 13: YOLO V3 - Eingabebild

Schritt 14: YOLO V3 - Ausgabebild

Schritt 15: YOLO V3 - Mehrere Bilder

Platzieren Sie die Bilder in einem Ordner, und statt den Bildpfad anzugeben, lassen Sie es leer und führen Sie den Befehl aus, wie Sie oben (links) sehen können.

Danach erscheint so etwas wie die Abbildung rechts, platzieren Sie einfach den Bildpfad und klicken Sie auf „Enter“und wiederholen Sie diese Schritte für mehrere Bilder.

Schritt 16: YOLO V3 - WebCam

Führen Sie den obigen Befehl aus und nach dem Laden des Netzwerks wird die Webcam angezeigt.

Schritt 17: YOLO V3 - Video

Legen Sie das gewünschte Video im Ordner „data“im Darknet ab und führen Sie anschließend den obigen Befehl aus, um den Videonamen zu ändern.

Schritt 18: YOLO V3 - EXPO3D-Video 1

Schritt 19: YOLO V3 - Video EXPO3D 2

Schritt 20: YOLO V3 - Video EXPO3D 3

Schritt 21: PDF zum Herunterladen

PDF HERUNTERLADEN (in brasilianischem Portugiesisch)