AgeRegression

Régression de l'âge

Aperçu

J'étais dans un supermarché achetant du vin et j'ai utilisé une auto-vérification, étonnamment, il n'a pas demandé à un assistant de vérifier mon âge! Ensuite, j'ai remarqué qu'il avait une caméra dans le Bezzle. Alors je me suis demandé ... pourrions-nous estimer l'âge d'une personne d'un tableau de son visage et à quel degré de confiance.

Dans ce projet, nous essayons d'estimer l'âge d'une personne à partir d'une image de son visage. Nous le faisons en s'entraînant sur les dataset à tous les âges et en régressant l'âge avec une perte de MSE. Cet ensemble de données a un parti pris racial lourd et a un impact sur les performances des modèles.

Commencer

Ce projet utilise Conda pour gérer son environnement; Une fois que conda est installé, nous créons l'environnement et l'activons,

 conda envate -f Enviroment.yml
conda activer l'âge_régression

. Sur Windows; PowerShell doit être initialisé et la politique d'exécution doit être modifiée.

 conda init powershell
Set-ExécutionPolicy -executionPolicy RemoSigned -Scope CurrentUser

. Ce repo utilise GIT-LFS pour stocker les modèles, assurez-vous que les fichiers GIT-LFS ont été retirés à l'aide,

 Git LFS Pull

Pour exécuter la prédiction de l'âge sur un répertoire d'images exécuté,

 python evaluate_images.py --model Pretrained / Model_age_Regression_resnext101_20.pth --images ~ / code / ensembles de données / faces / val

Performance

Lorsque nous faisons un intrigue conjointe entre l'âge prévu et la vérification du sol, nous pouvons voir que le modèle a une forte corrélation entre les deux mais il y a des valeurs aberrantes occasionnelles.

Nous pouvons voir que l'ensemble de données a un grand âge, avec principalement des échantillons de personnes de 25 à 35 ans. Comme nous essayons de maximiser nos performances sur cet ensemble de données, il a été ignoré. À l'avenir, cet ensemble de données devrait être rééchantillonné avant la formation pour donner une distribution d'âge uniforme.

Lorsque nous tracerons le MAE à chaque groupe d'âge. Nous pouvons voir notre groupe d'âge avec le plus petit MAE est de 30 à 35 ans, ce qui correspond à notre groupe d'âge prédominant dans l'ensemble de données. Où nous avons très peu de données, nous pouvons voir des erreurs de prédiction plus importantes. C'est peut-être intéressant que les groupes depuis 15 ans aient également des MAE inférieurs, peut-être parce qu'ils sont des cas plus faciles.