Reconocimiento facial en la práctica: 21 pasos

2024 Autor: John Day | [email protected]. Última modificación: 2024-01-30 08:41

Este es un tema que me fascina tanto que me hace perder el sueño: la Visión por Computador, la detección de objetos y personas a través de un modelo pre-entrenado.

Paso 1: Introducción

Usaremos el algoritmo YoloV3, para ejecutar una aplicación y ejecutar el proyecto.

Trabajé con redes neuronales hace 15 años y puedo decir que fueron tiempos "difíciles", dados los recursos disponibles en ese momento.

Paso 2: Recursos utilizados

· Cámara Logitech C270

· Computadora

· NVIDIA GeForce GTX 1660

Paso 3:

Paso 4: requisitos previos

Para ejecutar redes neuronales profundas (DNN) es necesario utilizar computación en paralelo, con una GPU.

Por lo tanto, necesitará una potente tarjeta de video de NVIDIA y ejecutará el algoritmo utilizando la API CUDA (conjunto de instrucciones virtuales de GPU).

Para ejecutar el algoritmo, primero debe tener instalados los siguientes paquetes:

- Unidad de tarjeta de video NVIDIA

- CUDA

- CUDNN (Biblioteca de redes neuronales profundas CUDA)

- OpenCV

Paso 5: Requisitos de la computadora

Paso 6: Configurar YOLO

Detección mediante un modelo previamente entrenado

Abra la terminal e ingrese los comandos anteriores.

Paso 7: modificar MakeFile

Modifique el archivo “MakeFile” como en la figura anterior, porque usaremos procesamiento GPU, CUDNN y OpenCV. Después de modificar, ejecute el comando "make".

Paso 8: Espere a que se complete

El comando 'make' en el paso 7 compilará todo para que lo utilicen los algoritmos y tardará un poco en ejecutarse.

Paso 9: para computadoras que no cumplen con los requisitos

Si su computadora y tarjeta de video no son tan potentes o desea un mejor rendimiento, cambie el archivo 'cfg /yolov3.cfg'.

La configuración anterior se utilizó en este proyecto.

Paso 10: YOLO V3

Los sistemas de detección suelen aplicar el modelo a una imagen en varias ubicaciones y escalas diferentes.

YOLO aplica una única red neuronal a toda la imagen. Esta red divide la imagen en regiones y proporciona cuadros delimitadores y probabilidades para cada región.

YOLO tiene varias ventajas. Ve la imagen como un todo, por lo que sus predicciones son generadas por el contexto global de la imagen.

Realiza predicciones con una única evaluación de red, a diferencia de R-CNN, que realiza miles de evaluaciones para una sola imagen.

Es hasta 1000 veces más rápido que R-CNN y 100 veces más rápido que Fast R-CNN.

Paso 11: Ejecutando YOLO

Para ejecutar YOLO, simplemente abra la terminal en la carpeta "darknet" e ingrese un comando.

Puede ejecutar YOLO de 4 formas:

· Imagen

· Varias imágenes

· Streaming (cámara web)

· Video

Paso 12: YOLO V3 - Imagen

Coloque la imagen que desee en la carpeta "datos" dentro de darknet y luego ejecute el comando anterior modificando el nombre de la imagen.

Paso 13: YOLO V3 - Imagen de entrada

Paso 14: YOLO V3 - Imagen de salida

Paso 15: YOLO V3 - Varias imágenes

Coloque las imágenes en alguna carpeta y, en lugar de proporcionar la ruta de la imagen, déjela en blanco y ejecute el comando como puede ver arriba (a la izquierda).

Después de eso, aparecerá algo como la figura de la derecha, simplemente coloque la ruta de la imagen y haga clic en “ingresar” y repita estos pasos para varias imágenes.

Paso 16: YOLO V3 - WebCam

Ejecute el comando anterior y después de cargar la red, aparecerá la cámara web.

Paso 17: YOLO V3 - Video

Coloque el video que desee en la carpeta "datos" dentro de darknet y luego ejecute el comando anterior modificando el nombre del video.

Paso 18: YOLO V3 - EXPO3D Video 1

Paso 19: YOLO V3 - Video EXPO3D 2

Paso 20: YOLO V3 - Video EXPO3D 3

Paso 21: PDF para descargar

DESCARGAR PDF (en portugués brasileño)