Pengecaman Muka dalam Amalan: 21 Langkah

2024 Pengarang: John Day | [email protected]. Diubah suai terakhir: 2024-01-30 11:08

Ini adalah subjek yang sangat saya minati, sehingga menjadikan saya kurang tidur: Penglihatan Komputer, pengesanan objek dan orang melalui model yang sudah dilatih.

Langkah 1: Pengenalan

Kami akan menggunakan algoritma YoloV3, untuk menjalankan aplikasi dan menjalankan projek.

Saya bekerja dengan rangkaian saraf 15 tahun yang lalu dan saya dapat mengatakan bahawa ini adalah masa "sukar", memandangkan sumber yang ada pada masa itu.

Langkah 2: Sumber yang Digunakan

· Kamera Logitech C270

· Komputer

· NVIDIA GeForce GTX 1660

Langkah 3:

Langkah 4: Prasyarat

Untuk menjalankan rangkaian neural dalam (DNN), perlu menggunakan pengkomputeran selari, dengan GPU.

Oleh itu, anda memerlukan kad video yang kuat dari NVIDIA dan menjalankan algoritma menggunakan CUDA API (set arahan maya GPU).

Untuk menjalankan algoritma, anda mesti memasang pakej berikut:

- Pemacu Kad Video NVIDIA

- CUDA

- CUDNN (Perpustakaan Jaringan Neural Dalam CUDA)

- OpenCV

Langkah 5: Keperluan Komputer

Langkah 6: Siapkan YOLO

Pengesanan menggunakan model yang telah dilatih

Buka terminal dan masukkan arahan di atas.

Langkah 7: Ubah suai MakeFile

Ubah fail "MakeFile" seperti pada gambar di atas, kerana kami akan menggunakan pemprosesan GPU, CUDNN dan OpenCV. Setelah mengubah suai, jalankan perintah 'buat'.

Langkah 8: Tunggu Ia Selesai

Perintah 'make' di Langkah 7 akan menyusun semuanya untuk digunakan oleh algoritma, dan memerlukan beberapa saat untuk dijalankan.

Langkah 9: Untuk Komputer yang Tidak Sesuai dengan Keperluan

Sekiranya komputer dan kad video anda tidak begitu kuat atau anda mahukan prestasi yang lebih baik, ubah fail 'cfg /yolov3.cfg'.

Konfigurasi di atas digunakan dalam projek ini.

Langkah 10: YOLO V3

Sistem pengesanan biasanya menerapkan model pada gambar di beberapa lokasi dan skala yang berbeza.

YOLO menggunakan rangkaian neural tunggal pada keseluruhan gambar. Rangkaian ini membahagikan gambar ke kawasan dan menyediakan kotak dan kemungkinan untuk setiap wilayah.

YOLO mempunyai beberapa kelebihan. Ia melihat gambar secara keseluruhan, jadi ramalannya dihasilkan oleh konteks global dalam gambar tersebut.

Ia membuat ramalan dengan penilaian rangkaian tunggal, tidak seperti R-CNN yang membuat ribuan penilaian untuk satu gambar.

Ia hingga 1000 kali lebih cepat daripada R-CNN dan 100 kali lebih pantas daripada Fast R-CNN.

Langkah 11: Menjalankan YOLO

Untuk menjalankan YOLO, cukup buka terminal di folder "darknet" dan masukkan perintah.

Anda boleh menjalankan YOLO dengan 4 cara:

· Imej

· Pelbagai Gambar

· Penstriman (Kamera Web)

· Video

Langkah 12: YOLO V3 - Gambar

Letakkan gambar yang anda mahukan dalam folder "data" di dalam darknet dan setelah itu jalankan perintah di atas mengubah nama gambar.

Langkah 13: YOLO V3 - Imej Input

Langkah 14: YOLO V3 - Imej Keluaran

Langkah 15: YOLO V3 - Pelbagai Gambar

Letakkan gambar di beberapa folder, dan bukannya memberikan jalur gambar, biarkan kosong dan jalankan perintah seperti yang anda lihat di atas (di sebelah kiri).

Selepas itu, seperti gambar di sebelah kanan akan muncul, letakkan jalur gambar dan klik "enter" dan ulangi langkah-langkah ini untuk beberapa gambar.

Langkah 16: YOLO V3 - WebCam

Jalankan perintah di atas dan setelah memuatkan rangkaian, kamera web akan muncul.

Langkah 17: YOLO V3 - Video

Letakkan video yang anda inginkan dalam folder "data" di dalam darknet dan setelah itu jalankan perintah di atas mengubah nama video.

Langkah 18: YOLO V3 - EXPO3D Video 1

Langkah 19: YOLO V3 - Video EXPO3D 2

Langkah 20: YOLO V3 - Video EXPO3D 3

Langkah 21: PDF untuk Dimuat turun

DOWNLOAD PDF (Dalam Bahasa Portugis Brazil)