Gezichtsherkenning in de praktijk: 21 stappen

2024 Auteur: John Day | [email protected]. Laatst gewijzigd: 2024-01-30 11:16

Dit is een onderwerp waar ik zo door gefascineerd ben, dat ik er wakker van lig: Computer Vision, de detectie van objecten en mensen door middel van een vooraf getraind model.

Stap 1: Inleiding

We zullen het YoloV3-algoritme gebruiken om een applicatie uit te voeren en het project uit te voeren.

Ik heb 15 jaar geleden met neurale netwerken gewerkt en ik kan zeggen dat het "moeilijke" tijden waren, gezien de middelen die toen beschikbaar waren.

Stap 2: Gebruikte bronnen

· Logitech C270-camera

· Computer

· NVIDIA GeForce GTX 1660

Stap 3:

Stap 4: Vereisten

Om diepe neurale netwerken (DNN) te laten draaien, is het noodzakelijk om parallel computing te gebruiken, met een GPU.

U hebt dus een krachtige videokaart van NVIDIA nodig en voert het algoritme uit met behulp van de CUDA API (GPU virtuele instructieset).

Om het algoritme uit te voeren, moet u eerst de volgende pakketten hebben geïnstalleerd:

- NVIDIA-videokaartstation

- CUDA

- CUDNN (CUDA Deep Neural Network Library)

- OpenCV

Stap 5: Computervereisten

Stap 6: YOLO. instellen

Detectie met behulp van een vooraf getraind model

Open de terminal en voer de bovenstaande opdrachten in.

Stap 7: Wijzig MakeFile

Pas het "MakeFile" -bestand aan zoals in de bovenstaande afbeelding, omdat we GPU-, CUDNN- en OpenCV-verwerking zullen gebruiken. Voer na het wijzigen de opdracht 'make' uit.

Stap 8: Wacht tot het is voltooid

Het commando 'make' in stap 7 zal alles compileren voor gebruik door de algoritmen, en het duurt even voordat het wordt uitgevoerd.

Stap 9: Voor computers die niet aan de vereisten voldoen

Als je computer en videokaart niet zo krachtig zijn of je wilt betere prestaties, verander dan het bestand 'cfg /yolov3.cfg'.

De bovenstaande configuratie is gebruikt in dit project.

Stap 10: YOLO V3

Detectiesystemen passen het model doorgaans toe op een afbeelding op verschillende locaties en schalen.

YOLO past een enkel neuraal netwerk toe op het hele beeld. Dit netwerk verdeelt het beeld in regio's en biedt begrenzingsvakken en kansen voor elke regio.

YOLO heeft verschillende voordelen. Het ziet de afbeelding als een geheel, dus zijn voorspellingen worden gegenereerd door de globale context in de afbeelding.

Het maakt voorspellingen met een enkele netwerkbeoordeling, in tegenstelling tot R-CNN die duizenden beoordelingen maakt voor een enkele afbeelding.

Het is tot 1000 keer sneller dan R-CNN en 100 keer sneller dan Fast R-CNN.

Stap 11: YOLO. uitvoeren

Om YOLO uit te voeren, opent u gewoon de terminal in de map " darknet " en voert u een opdracht in.

Je kunt YOLO op 4 manieren uitvoeren:

· Afbeelding

· Meerdere afbeeldingen

· Streamen (webcam)

· Video

Stap 12: YOLO V3 - Afbeelding

Plaats de gewenste afbeelding in de map "data" in darknet en voer daarna de bovenstaande opdracht uit om de afbeeldingsnaam te wijzigen.

Stap 13: YOLO V3 - Invoerafbeelding

Stap 14: YOLO V3 - Uitvoerafbeelding

Stap 15: YOLO V3 - Meerdere afbeeldingen

Plaats de afbeeldingen in een map en in plaats van het afbeeldingspad op te geven, laat u deze leeg en voert u de opdracht uit zoals u hierboven kunt zien (links).

Daarna verschijnt er zoiets als de afbeelding rechts, plaats het afbeeldingspad en klik op " enter " en herhaal deze stappen voor meerdere afbeeldingen.

Stap 16: YOLO V3 - WebCam

Voer de bovenstaande opdracht uit en na het laden van het netwerk verschijnt de webcam.

Stap 17: YOLO V3 - Video

Plaats de gewenste video in de map "data" in darknet en voer daarna de bovenstaande opdracht uit om de videonaam te wijzigen.

Stap 18: YOLO V3 - EXPO3D-video 1

Stap 19: YOLO V3 - Video EXPO3D 2

Stap 20: YOLO V3 - Video EXPO3D 3

Stap 21: PDF om te downloaden

DOWNLOAD PDF (in Braziliaans Portugees)