Prepoznavanje lica u praksi: 21 korak

2024 Autor: John Day | [email protected]. Zadnja izmjena: 2024-01-30 08:05

Ovo je tema koja me toliko fascinira da me gubi san: Računalni vid, otkrivanje objekata i ljudi putem unaprijed obučenog modela.

Korak 1: Uvod

Koristit ćemo YoloV3 algoritam za pokretanje aplikacije i pokretanje projekta.

Radio sam s neuronskom mrežom prije 15 godina i mogu reći da su to bila „teška“vremena, s obzirom na tadašnje resurse.

Korak 2: Korišteni resursi

· Logitech C270 kamera

· Računar

· NVIDIA GeForce GTX 1660

Korak 3:

Korak 4: Preduslovi

Za pokretanje dubokih neuronskih mreža (DNN) potrebno je koristiti paralelno računanje, s GPU -om.

Dakle, trebat će vam moćna video kartica od NVIDIA -e i pokrenuti algoritam pomoću CUDA API -ja (skup virtualnih uputa za GPU).

Da biste pokrenuli algoritam, morate imati instalirane sljedeće pakete:

- NVIDIA pogon video kartice

- CUDA

- CUDNN (CUDA biblioteka dubokih neuronskih mreža)

- OpenCV

Korak 5: Računalni zahtjevi

Korak 6: Postavite YOLO

Otkrivanje pomoću unaprijed obučenog modela

Otvorite terminal i unesite gornje naredbe.

Korak 7: Izmijenite MakeFile

Izmijenite datoteku “MakeFile” kao na gornjoj slici, jer ćemo koristiti GPU, CUDNN i OpenCV obradu. Nakon izmjene, pokrenite naredbu 'make'.

Korak 8: Sačekajte da se završi

Naredba 'make' u koraku 7 će kompajlirati sve što će algoritmi koristiti, a potrebno je neko vrijeme da se izvrši.

Korak 9: Za računare koji ne odgovaraju zahtjevima

Ako vaš računar i video kartica nisu tako moćni ili želite bolje performanse, promijenite datoteku 'cfg /yolov3.cfg'.

Gornja konfiguracija je korištena u ovom projektu.

Korak 10: YOLO V3

Sistemi za otkrivanje obično primjenjuju model na sliku na nekoliko različitih lokacija i razmjera.

YOLO primjenjuje jednu neuronsku mrežu na cijelu sliku. Ova mreža dijeli sliku na regije i pruža granične okvire i vjerojatnosti za svaku regiju.

YOLO ima nekoliko prednosti. Ona sliku vidi kao cjelinu, pa su njena predviđanja generirana globalnim kontekstom na slici.

On predviđa s jednom mrežnom procjenom, za razliku od R-CNN-a koji daje hiljade procjena za jednu sliku.

To je do 1000 puta brže od R-CNN-a i 100 puta brže od Fast R-CNN-a.

Korak 11: Pokretanje YOLO -a

Da biste pokrenuli YOLO, samo otvorite terminal u folderu “darknet” i unesite naredbu.

YOLO možete pokrenuti na 4 načina:

· Slika

· Više slika

· Streaming (web kamera)

· Video

Korak 12: YOLO V3 - Slika

Postavite željenu sliku u mapu "data" unutar darkneta, a zatim pokrenite gornju naredbu mijenjajući naziv slike.

Korak 13: YOLO V3 - Ulazna slika

Korak 14: YOLO V3 - Izlazna slika

Korak 15: YOLO V3 - Više slika

Postavite slike u neku mapu i umjesto da navedete putanju do slike, ostavite je praznom i pokrenite naredbu kao što vidite gore (s lijeve strane).

Nakon toga će se pojaviti nešto poput slike s desne strane, samo postavite putanju slike i kliknite na "enter" i ponovite ove korake za nekoliko slika.

Korak 16: YOLO V3 - Web kamera

Pokrenite gornju naredbu i nakon učitavanja mreže pojavit će se web kamera.

Korak 17: YOLO V3 - Video

Željeni videozapis postavite u mapu "data" unutar darkneta, a zatim pokrenite gornju naredbu mijenjajući naziv videozapisa.

Korak 18: YOLO V3 - EXPO3D Video 1

Korak 19: YOLO V3 - Video EXPO3D 2

Korak 20: YOLO V3 - Video EXPO3D 3

Korak 21: PDF za preuzimanje

PREUZMITE PDF (na brazilskom portugalskom)