Prepoznavanje lica u praksi: 21 korak

2025 Autor: John Day | [email protected]. Zadnja promjena: 2025-01-23 14:47

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

· Fotoaparat Logitech C270

· Računalo

· NVIDIA GeForce GTX 1660

3. korak:

Korak 4: Preduvjeti

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:

- Pogon NVIDIA 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: Pričekajte da se završi

Naredba 'make' u 7. koraku sastavit će sve za upotrebu algoritama, a potrebno je neko vrijeme da se izvrši.

Korak 9: Za računala koja ne odgovaraju zahtjevima

Ako vaše računalo i video kartica nisu tako snažni ili želite bolje performanse, promijenite datoteku 'cfg /yolov3.cfg'.

Gornja konfiguracija korištena je u ovom projektu.

Korak 10: YOLO V3

Sustavi za otkrivanje obično primjenjuju model na sliku na nekoliko različitih lokacija i mjerila.

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 njezina predviđanja generirana globalnim kontekstom na slici.

On predviđa s jednom mrežnom procjenom, za razliku od R-CNN-a koji čini tisuće 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 mapi "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 put do slike i kliknite na "enter" i ponovite ove korake za nekoliko slika.

Korak 16: YOLO V3 - WebCam

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

Korak 17: YOLO V3 - Video

Željeni videozapis postavite u mapu "podaci" 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

PREUZMI PDF (na brazilskom portugalskom)