yoloface

YOLOFace

การตรวจจับใบหน้าด้วยการเรียนรู้เชิงลึกโดยใช้อัลกอริธึม YOLOv3

เริ่มต้นใช้งาน

YOLOv3 (คุณดูเพียงครั้งเดียว) เป็นอัลกอริธึมการตรวจจับวัตถุแบบเรียลไทม์ที่ล้ำสมัย โมเดลที่เผยแพร่สามารถจดจำวัตถุที่แตกต่างกัน 80 รายการในรูปภาพและวิดีโอ สำหรับรายละเอียดเพิ่มเติม คุณสามารถดูเอกสารนี้ได้

สถาปัตยกรรมของ YOLOv3

เครดิต: Ayoosh Kathuria

OpenCV Deep Neural Networks (โมดูล dnn)

โมดูล OpenCV dnn รองรับการอนุมานรันบนโมเดลการเรียนรู้เชิงลึกที่ได้รับการฝึกอบรมล่วงหน้าจากเฟรมเวิร์กยอดนิยม เช่น TensorFlow, Torch, Darknet และ Caffe

ข้อกำหนดเบื้องต้น

• เทนเซอร์โฟลว์
• opencv-หลาม
• opencv-contrib-หลาม
• นัมปี้
• เคราส
• Matplotlib
• หมอน

การพัฒนาสำหรับโปรเจ็กต์นี้จะถูกแยกออกจากกันในสภาพแวดล้อมเสมือน Python สิ่งนี้ทำให้เราสามารถทดลองกับการขึ้นต่อกันในเวอร์ชันต่างๆ ได้

มีหลายวิธีในการติดตั้ง virtual environment (virtualenv) ดู Python Virtual Environments: A Primer guide สำหรับแพลตฟอร์มที่แตกต่างกัน แต่นี่คือสองสามวิธี:

• สำหรับอูบุนตู

$ pip install virtualenv

• สำหรับแมค

$ pip install --upgrade virtualenv

สร้างสภาพแวดล้อมเสมือน Python 3.6 สำหรับโปรเจ็กต์นี้และเปิดใช้งาน virtualenv:

$ virtualenv -p python3.6 yoloface
$ source ./yoloface/bin/activate

ถัดไป ติดตั้งการขึ้นต่อกันสำหรับโปรเจ็กต์นี้:

$ pip install -r requirements.txt

การใช้งาน

• โคลนที่เก็บนี้

$ git clone https://github.com/sthanhng/yoloface

• สำหรับการตรวจจับใบหน้า คุณควรดาวน์โหลดไฟล์น้ำหนัก YOLOv3 ที่ได้รับการฝึกล่วงหน้า ซึ่งฝึกฝนในชุดข้อมูล WIDER FACE: A Face Detection Benchmark จากลิงก์นี้ และวางไว้ในไดเร็กทอรี model-weights/

• รันคำสั่งต่อไปนี้:

อินพุตรูปภาพ

$ python yoloface.py --image samples/outside_000001.jpg --output-dir outputs/

อินพุตวิดีโอ

$ python yoloface.py --video samples/subway.mp4 --output-dir outputs/

เว็บแคม

$ python yoloface.py --src 1 --output-dir outputs/

ผลลัพธ์ตัวอย่าง

ใบอนุญาต

โครงการนี้ได้รับอนุญาตภายใต้ใบอนุญาต MIT - ดูไฟล์ LICENSE.md สำหรับรายละเอียดเพิ่มเติม

อ้างอิง