تشخیص چهره در عمل: 21 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:53

این موضوعی است که من آن را بسیار مجذوب خود کرده ام و باعث می شود خوابم را از دست بدهد: بینایی رایانه ای ، تشخیص اشیاء و افراد از طریق یک مدل از پیش آموزش دیده.

مرحله 1: مقدمه

ما از الگوریتم YoloV3 برای اجرای یک برنامه و اجرای پروژه استفاده خواهیم کرد.

من 15 سال پیش با شبکه عصبی کار کردم و می توانم بگویم که با توجه به منابع موجود در آن زمان ، زمانهای "سخت" بود.

مرحله 2: منابع مورد استفاده

· دوربین لاجیتک C270

· کامپیوتر

· NVIDIA GeForce GTX 1660

مرحله 3:

مرحله 4: پیش نیازها

برای اجرای شبکه های عصبی عمیق (DNN) استفاده از محاسبات موازی ، با GPU ضروری است.

بنابراین شما به یک کارت گرافیک قدرتمند NVIDIA احتیاج دارید و الگوریتم را با استفاده از CUDA API (مجموعه دستورالعمل مجازی GPU) اجرا می کنید.

برای اجرای الگوریتم ابتدا باید بسته های زیر را نصب کنید:

- درایو کارت گرافیک NVIDIA

- CUDA

- CUDNN (کتابخانه شبکه عصبی عمیق CUDA)

- OpenCV

مرحله 5: الزامات کامپیوتر

مرحله 6: راه اندازی YOLO

تشخیص با استفاده از یک مدل از پیش آموزش دیده

ترمینال را باز کرده و دستورات بالا را وارد کنید.

مرحله 7: اصلاح MakeFile

فایل "MakeFile" را مانند شکل بالا تغییر دهید ، زیرا ما از پردازش GPU ، CUDNN و OpenCV استفاده می کنیم. پس از اصلاح ، دستور ‘make’ را اجرا کنید.

مرحله 8: منتظر بمانید تا کامل شود

دستور "make" در مرحله 7 همه چیز را برای استفاده توسط الگوریتم ها کامپایل می کند و اجرا شدن آن کمی طول می کشد.

مرحله 9: برای رایانه هایی که با الزامات مطابقت ندارند

اگر رایانه و کارت گرافیک شما به اندازه کافی قوی نیستند یا می خواهید عملکرد بهتری داشته باشید ، فایل 'cfg /yolov3.cfg' را تغییر دهید.

در این پروژه از پیکربندی بالا استفاده شده است.

مرحله 10: YOLO V3

سیستم های تشخیص به طور معمول مدل را بر روی یک تصویر در چندین مکان و مقیاس مختلف اعمال می کنند.

YOLO یک شبکه عصبی واحد را روی کل تصویر اعمال می کند. این شبکه تصویر را به مناطق تقسیم کرده و کادرهای محدود کننده و احتمالات را برای هر منطقه ارائه می دهد.

YOLO چندین مزیت دارد. این تصویر را به عنوان یک کل می بیند ، بنابراین پیش بینی های آن توسط زمینه جهانی در تصویر ایجاد می شود.

برخلاف R-CNN که هزاران ارزیابی را برای یک تصویر واحد انجام می دهد ، با یک ارزیابی شبکه واحد پیش بینی می کند.

تا 1000 برابر سریعتر از R-CNN و 100 برابر سریعتر از R-CNN سریع است.

مرحله 11: اجرای YOLO

برای اجرای YOLO ، کافی است ترمینال را در پوشه "darknet" باز کرده و یک فرمان وارد کنید.

شما می توانید YOLO را به 4 روش اجرا کنید:

· تصویر

· تصاویر متعدد

· جریان (وب کم)

· ویدئو

مرحله 12: YOLO V3 - تصویر

تصویر مورد نظر خود را در پوشه "data" داخل darknet قرار دهید و پس از آن دستور بالا را تغییر دهید تا نام تصویر را تغییر دهید.

مرحله 13: YOLO V3 - تصویر ورودی

مرحله 14: YOLO V3 - تصویر خروجی

مرحله 15: YOLO V3 - چندین تصویر

تصاویر را در پوشه ای قرار دهید و به جای ارائه مسیر تصویر ، آن را خالی بگذارید و دستور را همانطور که در بالا مشاهده می کنید (در سمت چپ) اجرا کنید.

پس از آن ، چیزی شبیه به شکل سمت راست ظاهر می شود ، فقط مسیر تصویر را قرار داده و روی "enter" کلیک کنید و این مراحل را برای چندین تصویر تکرار کنید.

مرحله 16: YOLO V3 - وب کم

دستور بالا را اجرا کنید و پس از بارگیری شبکه ، وب کم ظاهر می شود.

مرحله 17: YOLO V3 - ویدئو

ویدئوی موردنظر خود را در پوشه "data" داخل darknet قرار دهید و پس از آن دستور بالا را تغییر دهید تا نام ویدیو را تغییر دهید.

مرحله 18: YOLO V3 - EXPO3D Video 1

مرحله 19: YOLO V3 - فیلم EXPO3D 2

مرحله 20: YOLO V3 - فیلم EXPO3D 3

مرحله 21: PDF برای بارگیری

PDF را بارگیری کنید (به پرتغالی برزیل)