სახის ამოცნობა პრაქტიკაში: 21 ნაბიჯი

2024 ავტორი: John Day | [email protected]. ბოლოს შეცვლილი: 2024-01-30 10:17

ეს ის თემაა, რომელიც მე იმდენად მოხიბლული ვარ, რომ მე მაკარგვინებს ძილს: კომპიუტერული ხედვა, საგნების და ადამიანების გამოვლენა წინასწარ მომზადებული მოდელის საშუალებით.

ნაბიჯი 1: შესავალი

ჩვენ გამოვიყენებთ YoloV3 ალგორითმს, აპლიკაციის გასაშვებად და პროექტის გასაშვებად.

მე ვმუშაობდი ნერვულ ქსელთან 15 წლის წინ და შემიძლია ვთქვა, რომ ეს იყო "რთული" დრო, იმ დროს არსებული რესურსების გათვალისწინებით.

ნაბიჯი 2: გამოყენებული რესურსები

· Logitech C270 კამერა

· კომპიუტერი

· NVIDIA GeForce GTX 1660

ნაბიჯი 3:

ნაბიჯი 4: წინაპირობები

ღრმა ნერვული ქსელების (DNN) გასაშვებად აუცილებელია პარალელური გამოთვლების გამოყენება GPU– ით.

ასე რომ თქვენ დაგჭირდებათ ძლიერი ვიდეო ბარათი NVIDIA– დან და გაუშვით ალგორითმი CUDA API (GPU ვირტუალური ინსტრუქციის ნაკრების) გამოყენებით.

ალგორითმის გასაშვებად თქვენ ჯერ უნდა გქონდეთ დაინსტალირებული შემდეგი პაკეტები:

- NVIDIA ვიდეო ბარათის წამყვანი

- CUDA

- CUDNN (CUDA ღრმა ნერვული ქსელის ბიბლიოთეკა)

- OpenCV

ნაბიჯი 5: კომპიუტერის მოთხოვნები

ნაბიჯი 6: დააყენეთ YOLO

გამოვლენა წინასწარ მომზადებული მოდელის გამოყენებით

გახსენით ტერმინალი და შეიყვანეთ ზემოთ მითითებული ბრძანებები.

ნაბიჯი 7: შეცვალეთ MakeFile

შეცვალეთ "MakeFile" ფაილი, როგორც ზემოთ მოცემულ ფიგურაში, რადგან ჩვენ გამოვიყენებთ GPU, CUDNN და OpenCV დამუშავებას. შეცვლის შემდეგ, გაუშვით ბრძანება "make".

ნაბიჯი 8: დაელოდეთ სანამ დასრულდება

მე -7 საფეხურის ბრძანება 'make' შეაგროვებს ყველაფერს ალგორითმებისთვის გამოსაყენებლად და გაშვებას დრო სჭირდება.

ნაბიჯი 9: კომპიუტერებისთვის, რომლებიც არ შეესაბამება მოთხოვნებს

თუ თქვენი კომპიუტერი და ვიდეო ბარათი არ არის ისეთი ძლიერი, ან გსურთ უკეთესი შესრულება, შეცვალეთ ფაილი 'cfg /yolov3.cfg'.

ზემოაღნიშნული კონფიგურაცია გამოყენებული იყო ამ პროექტში.

ნაბიჯი 10: YOLO V3

გამოვლენის სისტემები, როგორც წესი, მოდელს იყენებენ გამოსახულებაზე სხვადასხვა ადგილას და მასშტაბებში.

YOLO იყენებს ერთ ნერვულ ქსელს მთელ სურათზე. ეს ქსელი დაყოფს სურათს რეგიონებად და იძლევა შემოსაზღვრულ ყუთებს და ალბათობას თითოეული რეგიონისთვის.

YOLO– ს აქვს რამდენიმე უპირატესობა. ის ხედავს გამოსახულებას მთლიანობაში, ამიტომ მისი პროგნოზები წარმოიქმნება გამოსახულების გლობალური კონტექსტით.

ის აკეთებს პროგნოზებს ერთი ქსელის შეფასებით, განსხვავებით R-CNN– დან, რომელიც აკეთებს ათასობით შეფასებას ერთი სურათისთვის.

ის 1000-ჯერ უფრო სწრაფია ვიდრე R-CNN და 100-ჯერ უფრო სწრაფი ვიდრე სწრაფი R-CNN.

ნაბიჯი 11: იოლოს გაშვება

YOLO- ს გასაშვებად, უბრალოდ გახსენით ტერმინალი "darknet" საქაღალდეში და შეიყვანეთ ბრძანება.

თქვენ შეგიძლიათ გაუშვათ YOLO 4 გზით:

· გამოსახულება

· მრავალი სურათი

· ნაკადი (ვებკამერა)

· ვიდეო

ნაბიჯი 12: YOLO V3 - სურათი

განათავსეთ სასურველი სურათი "მონაცემების" საქაღალდეში darknet– ში და ამის შემდეგ გაუშვით ბრძანება სურათის სახელის შეცვლისთვის.

ნაბიჯი 13: YOLO V3 - შეყვანის სურათი

ნაბიჯი 14: YOLO V3 - გამომავალი სურათი

ნაბიჯი 15: YOLO V3 - მრავალი სურათი

მოათავსეთ სურათები რომელიმე საქაღალდეში და სურათის ბილიკის ნაცვლად, დატოვეთ ცარიელი და გაუშვით ბრძანება, როგორც ხედავთ ზემოთ (მარცხნივ).

ამის შემდეგ, რაღაც მარჯვენა ფიგურის მსგავსი გამოჩნდება, უბრალოდ განათავსეთ სურათის გზა და დააწკაპუნეთ „შესვლაზე“და გაიმეორეთ ეს ნაბიჯები რამდენიმე სურათისთვის.

ნაბიჯი 16: YOLO V3 - ვებკამერა

გაუშვით ბრძანება ზემოთ და ქსელის ჩატვირთვის შემდეგ, ვებკამერა გამოჩნდება.

ნაბიჯი 17: YOLO V3 - ვიდეო

განათავსეთ ვიდეო, რომელიც გსურთ "მონაცემების" საქაღალდეში darknet– ში და ამის შემდეგ გაუშვით ბრძანება ვიდეოს სახელის შეცვლისთვის.

ნაბიჯი 18: YOLO V3 - EXPO3D ვიდეო 1

ნაბიჯი 19: YOLO V3 - ვიდეო EXPO3D 2

ნაბიჯი 20: YOLO V3 - ვიდეო EXPO3D 3

ნაბიჯი 21: გადმოსაწერი PDF

ჩამოტვირთეთ PDF (ბრაზილიურ პორტუგალიურ ენაზე)