Reconhecimento facial na prática: 21 etapas

2024 Autor: John Day | [email protected]. Última modificação: 2024-01-30 11:36

Este é um assunto que me fascina tanto, que me faz perder o sono: Visão computacional, a detecção de objetos e pessoas através de um modelo pré-treinado.

Etapa 1: Introdução

Usaremos o algoritmo YoloV3 para rodar uma aplicação e rodar o projeto.

Trabalhei com rede neural há 15 anos e posso dizer que foram tempos “difíceis”, dados os recursos disponíveis na época.

Etapa 2: Recursos usados

· Câmera Logitech C270

· Computador

· NVIDIA GeForce GTX 1660

Etapa 3:

Etapa 4: Pré-requisitos

Para rodar redes neurais profundas (DNN) é necessário o uso de computação paralela, com GPU.

Portanto, você precisará de uma placa de vídeo poderosa da NVIDIA e executar o algoritmo usando a API CUDA (conjunto de instruções virtuais da GPU).

Para executar o algoritmo, você deve primeiro ter os seguintes pacotes instalados:

- Unidade de placa de vídeo NVIDIA

- CUDA

- CUDNN (Biblioteca de Rede Neural Profunda CUDA)

- OpenCV

Etapa 5: Requisitos do computador

Etapa 6: Configurar YOLO

Detecção usando um modelo pré-treinado

Abra o terminal e digite os comandos acima.

Etapa 7: modificar MakeFile

Modifique o arquivo “MakeFile” como na figura acima, pois usaremos processamento GPU, CUDNN e OpenCV. Depois de modificar, execute o comando ‘make’.

Etapa 8: Aguarde a conclusão

O comando 'make' na Etapa 7 compilará tudo para uso pelos algoritmos e leva um tempo para ser executado.

Etapa 9: para computadores que não atendem aos requisitos

Se o seu computador e placa de vídeo não são tão potentes ou você deseja um melhor desempenho, altere o arquivo 'cfg /yolov3.cfg'.

A configuração acima foi usada neste projeto.

Etapa 10: YOLO V3

Os sistemas de detecção normalmente aplicam o modelo a uma imagem em vários locais e escalas diferentes.

YOLO aplica uma única rede neural a toda a imagem. Essa rede divide a imagem em regiões e fornece caixas delimitadoras e probabilidades para cada região.

YOLO tem várias vantagens. Ele vê a imagem como um todo, portanto, suas previsões são geradas pelo contexto global da imagem.

Ele faz previsões com uma única avaliação de rede, ao contrário do R-CNN que faz milhares de avaliações para uma única imagem.

É até 1000 vezes mais rápido do que o R-CNN e 100 vezes mais rápido do que o Fast R-CNN.

Etapa 11: executando o YOLO

Para executar o YOLO, basta abrir o terminal na pasta “darknet” e inserir um comando.

Você pode executar o YOLO de 4 maneiras:

· Imagem

· Imagens múltiplas

· Streaming (webcam)

· Vídeo

Etapa 12: YOLO V3 - Imagem

Coloque a imagem desejada na pasta “data” dentro do darknet e depois execute o comando acima modificando o nome da imagem.

Etapa 13: YOLO V3 - Imagem de entrada

Etapa 14: YOLO V3 - Imagem de Saída

Etapa 15: YOLO V3 - Várias imagens

Coloque as imagens em alguma pasta, e ao invés de fornecer o caminho da imagem, deixe em branco e execute o comando como você pode ver acima (à esquerda).

Depois disso, aparecerá algo parecido com a figura à direita, basta colocar o caminho da imagem e clicar em “entrar” e repetir esses passos para várias imagens.

Etapa 16: YOLO V3 - WebCam

Execute o comando acima e após carregar a rede, aparecerá a webcam.

Etapa 17: YOLO V3 - Vídeo

Coloque o vídeo desejado na pasta “data” dentro do darknet e depois execute o comando acima modificando o nome do vídeo.

Etapa 18: YOLO V3 - EXPO3D Vídeo 1

Etapa 19: YOLO V3 - Vídeo EXPO3D 2

Etapa 20: YOLO V3 - Vídeo EXPO3D 3

Etapa 21: PDF para download

BAIXAR PDF (em português do Brasil)