Riconoscimento facciale in pratica: 21 passaggi

2024 Autore: John Day | [email protected]. Ultima modifica: 2024-01-30 10:01

Questo è un argomento che mi affascina così tanto, che mi fa perdere il sonno: Computer Vision, il rilevamento di oggetti e persone attraverso un modello pre-addestrato.

Passaggio 1: Introduzione

Utilizzeremo l'algoritmo YoloV3 per eseguire un'applicazione ed eseguire il progetto.

Ho lavorato con la rete neurale 15 anni fa e posso dire che questi erano tempi “difficili”, viste le risorse a disposizione all'epoca.

Passaggio 2: risorse utilizzate

· Fotocamera Logitech C270

· Computer

· NVIDIA GeForce GTX 1660

Passaggio 3:

Passaggio 4: prerequisiti

Per eseguire reti neurali profonde (DNN) è necessario utilizzare il calcolo parallelo, con una GPU.

Quindi avrai bisogno di una potente scheda video di NVIDIA ed esegui l'algoritmo utilizzando l'API CUDA (set di istruzioni virtuali GPU).

Per eseguire l'algoritmo devi prima aver installato i seguenti pacchetti:

- Unità scheda video NVIDIA

- CUDA

- CUDNN (Libreria di reti neurali profonde CUDA)

- ApriCV

Passaggio 5: requisiti del computer

Passaggio 6: configurazione YOLO

Rilevamento utilizzando un modello pre-addestrato

Apri il terminale e inserisci i comandi sopra.

Passaggio 7: modifica MakeFile

Modifica il file "MakeFile" come nella figura sopra, perché utilizzeremo l'elaborazione GPU, CUDNN e OpenCV. Dopo la modifica, esegui il comando "make".

Passaggio 8: attendere che venga completato

Il comando 'make' nel passaggio 7 compilerà tutto per l'uso da parte degli algoritmi e l'esecuzione richiederà un po' di tempo.

Passaggio 9: per computer che non soddisfano i requisiti

Se il tuo computer e la tua scheda video non sono così potenti o vuoi prestazioni migliori, cambia il file 'cfg /yolov3.cfg'.

La configurazione di cui sopra è stata utilizzata in questo progetto.

Passaggio 10: YOLO V3

I sistemi di rilevamento in genere applicano il modello a un'immagine in diverse posizioni e scale.

YOLO applica una singola rete neurale all'intera immagine. Questa rete divide l'immagine in regioni e fornisce riquadri di delimitazione e probabilità per ciascuna regione.

YOLO ha diversi vantaggi. Vede l'immagine nel suo insieme, quindi le sue previsioni sono generate dal contesto globale nell'immagine.

Fa previsioni con una singola valutazione di rete, a differenza di R-CNN che effettua migliaia di valutazioni per una singola immagine.

È fino a 1000 volte più veloce di R-CNN e 100 volte più veloce di Fast R-CNN.

Passaggio 11: esecuzione di YOLO

Per eseguire YOLO basta aprire il terminale nella cartella “darknet” e inserire un comando.

Puoi eseguire YOLO in 4 modi:

· Immagine

· Immagini multiple

· Streaming (Webcam)

· Video

Passaggio 12: YOLO V3 - Immagine

Posiziona l'immagine che desideri nella cartella "dati" all'interno di darknet e quindi esegui il comando sopra modificando il nome dell'immagine.

Passaggio 13: YOLO V3 - Immagine di input

Passaggio 14: YOLO V3 - Immagine di output

Passaggio 15: YOLO V3 - Immagini multiple

Posiziona le immagini in una cartella e, invece di fornire il percorso dell'immagine, lascialo vuoto ed esegui il comando come puoi vedere sopra (a sinistra).

Dopodiché, apparirà qualcosa come la figura a destra, basta posizionare il percorso dell'immagine e fare clic su "Invio" e ripetere questi passaggi per diverse immagini.

Passaggio 16: YOLO V3 - WebCam

Esegui il comando sopra e dopo aver caricato la rete, apparirà la webcam.

Passaggio 17: YOLO V3 - Video

Posiziona il video che desideri nella cartella "dati" all'interno di darknet e successivamente esegui il comando sopra modificando il nome del video.

Passaggio 18: YOLO V3 - Video EXPO3D 1

Passaggio 19: YOLO V3 - Video EXPO3D 2

Passaggio 20: YOLO V3 - Video EXPO3D 3

Passaggio 21: PDF da scaricare

SCARICA PDF (in portoghese brasiliano)