Pengenalan Wajah dalam Praktek: 21 Langkah

2024 Pengarang: John Day | [email protected]. Terakhir diubah: 2024-01-30 09:55

Ini adalah subjek yang sangat saya kagumi, sehingga membuat saya kurang tidur: Computer Vision, pendeteksian objek dan orang melalui model yang telah dilatih sebelumnya.

Langkah 1: Pendahuluan

Kami akan menggunakan algoritma YoloV3, untuk menjalankan aplikasi dan menjalankan proyek.

Saya bekerja dengan jaringan saraf 15 tahun yang lalu dan saya dapat mengatakan bahwa ini adalah waktu yang "sulit", mengingat sumber daya yang tersedia pada saat itu.

Langkah 2: Sumber Daya yang Digunakan

· Kamera Logitech C270

· Komputer

· NVIDIA GeForce GTX 1660

Langkah 3:

Langkah 4: Prasyarat

Untuk menjalankan deep neural network (DNN) perlu menggunakan komputasi paralel, dengan GPU.

Jadi, Anda memerlukan kartu video yang kuat dari NVIDIA dan menjalankan algoritme menggunakan CUDA API (set instruksi virtual GPU).

Untuk menjalankan algoritme, Anda harus terlebih dahulu menginstal paket-paket berikut:

- Drive Kartu Video NVIDIA

- CUDA

- CUDNN (Perpustakaan Jaringan Saraf Dalam CUDA)

- OpenCV

Langkah 5: Persyaratan Komputer

Langkah 6: Siapkan YOLO

Deteksi menggunakan model yang sudah terlatih

Buka terminal dan masukkan perintah di atas.

Langkah 7: Ubah MakeFile

Ubah file “MakeFile” seperti pada gambar di atas, karena kita akan menggunakan pemrosesan GPU, CUDNN dan OpenCV. Setelah memodifikasi, jalankan perintah 'make'.

Langkah 8: Tunggu Sampai Selesai

Perintah 'make' pada Langkah 7 akan mengkompilasi semuanya untuk digunakan oleh algoritme, dan perlu beberapa saat untuk menjalankannya.

Langkah 9: Untuk Komputer yang Tidak Sesuai Persyaratan

Jika komputer dan kartu video Anda tidak begitu kuat atau Anda menginginkan kinerja yang lebih baik, ubah file 'cfg /yolov3.cfg'.

Konfigurasi di atas digunakan dalam proyek ini.

Langkah 10: YOLO V3

Sistem deteksi biasanya menerapkan model ke gambar di beberapa lokasi dan skala yang berbeda.

YOLO menerapkan jaringan saraf tunggal ke seluruh gambar. Jaringan ini membagi gambar menjadi beberapa wilayah dan menyediakan kotak pembatas dan probabilitas untuk setiap wilayah.

YOLO memiliki beberapa keunggulan. Ia melihat gambar secara keseluruhan, sehingga prediksinya dihasilkan oleh konteks global dalam gambar.

Itu membuat prediksi dengan penilaian jaringan tunggal, tidak seperti R-CNN yang membuat ribuan penilaian untuk satu gambar.

Hingga 1000 kali lebih cepat dari R-CNN dan 100 kali lebih cepat dari Fast R-CNN.

Langkah 11: Menjalankan YOLO

Untuk menjalankan YOLO, cukup buka terminal di folder “darknet” dan masukkan perintah.

Anda dapat menjalankan YOLO dengan 4 cara:

· Gambar

· Beberapa Gambar

· Streaming (Kamera Web)

· Video

Langkah 12: YOLO V3 - Gambar

Tempatkan gambar yang Anda inginkan di folder "data" di dalam darknet dan setelah itu jalankan perintah di atas untuk mengubah nama gambar.

Langkah 13: YOLO V3 - Gambar Masukan

Langkah 14: YOLO V3 - Gambar Keluaran

Langkah 15: YOLO V3 - Banyak Gambar

Tempatkan gambar di beberapa folder, dan alih-alih menyediakan jalur gambar, biarkan kosong dan jalankan perintah seperti yang Anda lihat di atas (di sebelah kiri).

Setelah itu akan muncul seperti gambar di sebelah kanan, letakkan saja jalur gambar dan klik " enter " dan ulangi langkah ini untuk beberapa gambar.

Langkah 16: YOLO V3 - WebCam

Jalankan perintah di atas dan setelah memuat jaringan, webcam akan muncul.

Langkah 17: YOLO V3 - Video

Tempatkan video yang Anda inginkan di folder "data" di dalam darknet dan setelah itu jalankan perintah di atas untuk mengubah nama video.

Langkah 18: YOLO V3 - Video EXPO3D 1

Langkah 19: YOLO V3 - Video EXPO3D 2

Langkah 20: YOLO V3 - Video EXPO3D 3

Langkah 21: PDF untuk Mengunduh

UNDUH PDF (Dalam bahasa Portugis Brasil)