[PYTHON] Gesichtsbildinferenz mit Flask und TensorFlow

Einführung

• Das "MNIST CNN" -Tutorial von "TensorFlow" wurde geändert, um Gesichtsbilder zu lernen und daraus zu schließen.
• Dieses Mal werde ich eine Inferenz aus "Flask" durchführen und das Ergebnis anzeigen.
• Die vollständige Quelle ist hier.

Überblick

• Die Inferenz wird unter Verwendung von Testbildern für jede in der Einstellungsdatei angegebene Klasse durchgeführt. ――Das Ergebnis jedes Bildes bedeutet, dass Blau korrekt und Rot falsch ist. ――Wir haben es möglich gemacht zu verstehen, in welche Klasse jede eingeteilt wurde.

Flask

Trainingsmodell importieren

--Importieren Sie die zuvor erstellte face_deep.py.

import face_deep

Inferenz

―― Mit Trainingsbildern und Testbildern können Rückschlüsse gezogen werden.

• Alle .jpeg im Ordner sind auf Inferenz ausgerichtet.

@app.route('/predict/<folder>/<item>')
def predict(folder, item):
    """Bildinferenz."""

    if folder not in ['train', 'test']:
        abort(404)

    filename_list = sorted(glob.glob(os.path.join(DATA_PATH, folder, item, '*.jpeg')))

• Jedes Bild wird mit "Kissen" gelesen und in der Größe geändert, grau skaliert und der Wert von "0-255" in "0-1" geändert.

    image_list = []
    for filename in filename_list:

        face = Image.open(filename)
        face = face.resize((IMG_ROWS, IMG_COLS), Image.LANCZOS)
        face = face.convert('L')
        face = np.array(face, dtype=np.float32) / 255.0
        face = np.ravel(face)
        image_list.append(face)

• Sammle jedes Bild und gib es in "Vorhersage" von "face_deep.py" ein.
• Was das Inferenzergebnis betrifft, wird für jedes Bild ein Array zurückgegeben, das eine Wahrscheinlichkeit wie "[99 0 0 0 0 0 0 0 0 0 0]" enthält.

    percent_list = face_deep.predict(image_list, dtype='int')

• Nehmen Sie Änderungen für die Vorlage vor.
• "Farbe" wird als "Wahr" angegeben, wenn das Inferenzergebnis des Zielbilds korrekt ist, und als "Falsch", wenn es falsch ist. --Mit Dateiname können Sie einen Bildlink aus der Vorlage erstellen.
• Mit "Prozent" zeigt die Vorlage die Wahrscheinlichkeit jeder Bildklasse.

    rows = []
    for filename, percent in zip(filename_list, percent_list):
        color = CLASSES.index(item) in [index for index, value in enumerate(percent) if value == max(percent)]
        row = {'filename': os.path.basename(filename), 'percent': percent, 'color': color}
        rows.append(row)

    return render_template('predict.html', folder=folder, item=item, headers=CLASSES, rows=rows)

Vorlage

• Durch die obige "Farbe" wird die blaue "Tabellenprimär" gesetzt, wenn die Antwort richtig ist, und die rote "Tabellengefahr" wird gesetzt, wenn die Antwort falsch ist.

          {% if row.color %}
          <tr class="table-primary">
          {% else %}
          <tr class="table-danger">
          {% endif %}

• Der Link des Gesichtsbildes wird basierend auf dem Dateinamen usw. erstellt.
• Da die gespeicherten Bilder groß und klein sind, werden sie dynamisch mit "Größe" geändert.

            <td>
                <figure class="figure">
                  <img src="/data/{{ folder }}/{{ item }}/{{ row.filename }}?size=100" />
                  <figcaption class="figure-caption">{{ row.filename }}</figcaption>
                </figure>
            </td>

• Die Wahrscheinlichkeit für jede Klasse jedes Bildes wird angezeigt.

            {% for percent in row.percent %}
            <td scope="row">{{ percent }}%</td>

abschließend

• Mit Flask wurde das Inferenzergebnis des Gesichtsbildes angezeigt.
• Da eine Liste der Inferenzergebnisse und Wahrscheinlichkeiten für jede Klasse angezeigt werden kann, ist es einfacher, unangemessene Bilder zu überprüfen. ――Nächstes Mal möchte ich eine Webanwendung erstellen, mit der verschiedene Bilder hochgeladen werden können.