[PYTHON] Memo zur Geschlechtserkennung

Aidemy　2020/10/4

Einführung

Hallo, es ist ja! Ich bin eine knusprige Literaturschule, aber ich war an den Möglichkeiten der KI interessiert, also ging ich zur KI-Fachschule "Aidemy", um zu studieren. Ich möchte das hier gewonnene Wissen mit Ihnen teilen und habe es in Qiita zusammengefasst. Ich freue mich sehr, dass viele Menschen den vorherigen zusammenfassenden Artikel gelesen haben. Vielen Dank! Dieses Mal werden wir ein Memo zur Anerkennung des Geschlechts veröffentlichen. Freut mich, dich kennenzulernen.

• Dieser Artikel ist eine Zusammenfassung dessen, was Sie in "Aidemy" "in Ihren eigenen Worten" gelernt haben. Es kann Fehler und Missverständnisse enthalten. Bitte beachten Sie.

Geschlechtserkennung 1

Was ist zu tun

・ Sammeln Sie Daten und bereinigen Sie sie. -Datenerfassung ist nicht von Keras integriert, sondern lädt Bilder online herunter und sammelt sie.

• Verwenden Sie zur Datenbereinigung OpenCV, das Bilder verarbeitet.

Informationen zur Datenbereinigung

• Der Kanal der Bilddaten von Männern und Frauen, die dieses Mal verarbeitet werden, liegt in der Reihenfolge "b, g, r". In OpenCV, das Bilder verarbeitet, müssen die Daten jedoch in der Reihenfolge "r, g, b" liegen, also cv2.split Es ist notwendig, die Daten mit cv2.merge in drei Teile zu teilen und die Reihenfolge des Datenarrays mit cv2.merge zu ordnen.

img = cv2.imread('./6100_gender_recognition_data/male/Aaron_Eckhart_0001.jpg')
b,g,r=cv2.split(img) 
img=cv2.merge([r,g,b])

Bildreduktion

-Verwenden Sie __cv2.resize (Bild, (vertikal, horizontal)) __. Nach dem Speichern mit cv2.imwrite () erhalten Sie das verkleinerte Bild mit plt.imread als Abbildung und geben es mit plt.imshow () aus.

import cv2
import matplotlib.pyplot as plt
import numpy as np

img=cv2.imread("./6100_gender_recognition_data/male/Aaron_Eckhart_0001.jpg ")
my_img=cv2.resize(img, (50, 50))
cv2.imwrite("resize.img",my_img)
img=plt.imread("resize.img")
plt.imshow(img)
plt.show()

Farbraumkonvertierung

-Wenn Sie von Farbe (rot, grün, blau) zu monochrom (weiß, schwarz) wechseln, setzen Sie cv2.COLOR_RGB2GRAY im zweiten Argument von __cv2.cvtColor (Bild) __. Dies geschieht häufig beim Umgang mit Bildern. -Wenn das konvertierte Bild mit plt.show () ausgegeben wird, wird das erste Argument als "grün" erkannt, wenn es unverändert bleibt. Daher muss es als __plt.gray () __ beschrieben werden.

Geschlechtserkennung 2

Was ist zu tun

・ Erstellen Sie ein Modell mit CNN (+ Keras + TensorFlow). Zusätzlich wird das Transferlernen mit VGG16 durchgeführt.

Modell erstellen (Ebenen hinzufügen)

• (Überprüfen) Erstellen Sie eine Sequential () - Instanz und fügen Sie mit add eine Ebene hinzu. ・ (Überprüfung) Definition jeder Ebene ・ Vollständig verbundene Ebene: __Dichte (Anzahl der Einheiten, input_dim = Anzahl der Datendimensionen) __ ・ Faltschicht: __Conv2D (Filter, Kernelgröße, Schritte, Polsterung) __ -Pooling Layer: __MaxPooling2D (Poolgröße, Streifen, Polsterung) __ ・ Ebene abflachen: __Flatten () __ 　 -Aktivierungsfunktion: model.add (Aktivierung ("Sigmoid"))

Modellbetrieb (Zusammenstellung, Schulung, Vorhersage)

・ (Review) Kompilieren mit Kompilieren, Lernen mit Fit, Vorhersagen mit np.argmax (model.predict ()). ・ __Model.compile (Optimierer, Verlust, Metriken) __ ・ __Model.fit (Trainingsdaten, Lehreretikett, Batchgröße, Epochen) __

Lernen übertragen

・ (Überprüfung) Übertragen Sie das Lernen mit VGG16

#Formeinstellung eingeben
input_tensor = Input(shape=(32, 32, 3))
#VGG-Modelleinstellungen
vgg16 = VGG16(include_top=False,weights='imagenet',input_tensor=input_tensor)
#Kombination des VGG-Modells mit einer neuen Ebene
model = Model(inputs=vgg16.input, outputs=top_model(vgg16.output))
#Feste Anzahl von Schichten und Gewichten für das VGG-Modell
for layer in model.layers[:15]:
    layer.trainable = False