Arcfelismerés a gyakorlatban: 21 lépés

2024 Szerző: John Day | [email protected]. Utoljára módosítva: 2024-01-30 09:40

Ez egy olyan téma, ami annyira lenyűgöz, hogy elveszítem az álmomat: a Computer Vision, a tárgyak és emberek észlelése egy előre betanított modell segítségével.

1. lépés: Bevezetés

A YoloV3 algoritmust fogjuk használni egy alkalmazás futtatásához és a projekt futtatásához.

15 évvel ezelőtt dolgoztam a neurális hálózattal, és azt mondhatom, hogy „nehéz” idők voltak, tekintettel az akkor rendelkezésre álló erőforrásokra.

2. lépés: Felhasznált erőforrások

· Logitech C270 kamera

· Számítógép

· NVIDIA GeForce GTX 1660

3. lépés:

4. lépés: Előfeltételek

A mély neurális hálózatok (DNN) futtatásához párhuzamos számítástechnikát kell használni, GPU -val.

Tehát szüksége lesz egy erős videokártyára az NVIDIA -tól, és futtassa az algoritmust a CUDA API (GPU virtuális utasításkészlet) használatával.

Az algoritmus futtatásához először telepítenie kell a következő csomagokat:

- NVIDIA videokártya -meghajtó

- CUDA

- CUDNN (CUDA Deep Neural Network Library)

- OpenCV

5. lépés: A számítógépre vonatkozó követelmények

6. lépés: A YOLO beállítása

Észlelés előre betanított modell használatával

Nyissa meg a terminált, és írja be a fenti parancsokat.

7. lépés: A MakeFile módosítása

Módosítsa a „MakeFile” fájlt a fenti ábra szerint, mert GPU, CUDNN és OpenCV feldolgozást fogunk használni. A módosítás után futtassa a „make” parancsot.

8. lépés: Várja meg, amíg befejeződik

A „make” parancs a 7. lépésben mindent összeállít az algoritmusok számára, és a futtatása eltart egy ideig.

9. lépés: Olyan számítógépekhez, amelyek nem felelnek meg a követelményeknek

Ha a számítógép és a videokártya nem olyan erős, vagy jobb teljesítményre van szüksége, módosítsa a „cfg /yolov3.cfg” fájlt.

A fenti konfigurációt használtuk ebben a projektben.

10. lépés: YOLO V3

Az észlelési rendszerek jellemzően több különböző helyen és méretarányban alkalmazzák a modellt egy képre.

A YOLO egyetlen ideghálózatot alkalmaz a teljes képre. Ez a hálózat régiókra osztja a képet, és határoló dobozokat és valószínűségeket biztosít az egyes régiókhoz.

A YOLO -nak számos előnye van. A kép egészét látja, így előrejelzéseit a kép globális kontextusa generálja.

Egyetlen hálózati értékeléssel jósol, ellentétben az R-CNN-vel, amely több ezer értékelést végez egyetlen képre.

Akár 1000-szer gyorsabb, mint az R-CNN, és 100-szor gyorsabb, mint a Fast R-CNN.

11. lépés: A YOLO futtatása

A YOLO futtatásához nyissa meg a terminált a „darknet” mappában, és írja be a parancsot.

A YOLO -t 4 módon futtathatja:

· Kép

· Több kép

· Streamelés (webkamera)

· Videó

12. lépés: YOLO V3 - Kép

Helyezze a kívánt képet a „data” mappába a darkneten belül, majd futtassa a fenti parancsot a kép nevének módosításához.

13. lépés: YOLO V3 - Bemeneti kép

14. lépés: YOLO V3 - Kimeneti kép

15. lépés: YOLO V3 - Több kép

Helyezze a képeket valamelyik mappába, és ahelyett, hogy megadná a kép elérési útját, hagyja üresen, és futtassa a parancsot a fent látható módon (bal oldalon).

Ezt követően megjelenik valami hasonló a jobb oldali ábrához, csak helyezze el a kép elérési útját, és kattintson az „Enter” gombra, és ismételje meg ezeket a lépéseket több képnél.

16. lépés: YOLO V3 - Webkamera

Futtassa a fenti parancsot, és a hálózat betöltése után megjelenik a webkamera.

17. lépés: YOLO V3 - Videó

Helyezze a kívánt videót a „data” mappába a darkneten belül, majd futtassa a fenti parancsot a videó nevének módosításához.

18. lépés: YOLO V3 - EXPO3D videó 1

19. lépés: YOLO V3 - Video EXPO3D 2

20. lépés: YOLO V3 - Video EXPO3D 3

21. lépés: PDF letöltése

PDF LETÖLTÉSE (brazil portugál nyelven)