AgeRegression

Regresión de edad

Descripción general

Estaba en un supermercado comprando vino y usé un auto-checkout, ¡sorprendentemente no le pidió a un asistente que verifique mi edad! Entonces noté que tenía una cámara en la bisea. Entonces me pregunté ... ¿Podríamos estimar la edad de una persona de una imagen de su rostro y en qué grado de confianza?

En este proyecto intentamos estimar la edad de una persona de una imagen de su rostro. Hacemos esto entrenando en todas las placas de edades-dataset y retrocediendo la edad con una pérdida de MSE. Este conjunto de datos tiene un fuerte sesgo racial e impacta el rendimiento de los modelos.

Empezando

Este proyecto usa conda para administrar su entorno; Una vez que se instala conda, creamos el entorno y lo activamos,

 conda env crea -f Enviroment.yml
conda activa age_regression

. En Windows; PowerShell debe ser inicializado y la política de ejecución debe modificarse.

 Conda Init PowerShell
Set -ejecutionPolicy -Execución

. Este repositorio utiliza GIT-LFS para almacenar los modelos, asegúrese de que los archivos GIT-LFS se hayan extraído usando,

 Git LFS Pull

Para ejecutar la predicción de edad en un directorio de imágenes ejecutadas,

 Python Evaluate_images.py - -Modelo Pretrados

Actuación

Cuando hacemos una trama conjunta entre la edad predicha y la verdad en tierra, podemos ver que el modelo tiene una fuerte correlación entre los dos, pero existen los valores atípicos ocasionales.

Podemos ver que el conjunto de datos tiene un gran inbalamiento de la edad, principalmente con muestras de personas 25 ~ 35. Mientras intentamos maximizar nuestro rendimiento en este conjunto de datos, se ha ignorado. En el futuro, este conjunto de datos debe volver a muestrear antes de capacitar para dar una distribución de edad uniforme.

Cuando trazamos el MAE en cada grupo de edad. Podemos ver que nuestro grupo de edad con el MAE más pequeño es 30-35 que corresponde a nuestro grupo de edad predominante en el conjunto de datos. Donde tenemos muy pocos datos, podemos ver errores de predicción más grandes. Es posiblemente interesante que los grupos para las edades <15 también tengan MAE más bajo, posiblemente porque son casos más fáciles.