[PYTHON] Verwendung von TokyoTechFes2015

Einführung

Ich werde erklären, wie [TokyoTechFes2015] verwendet wird (https://github.com/Arudori5001/TokyoTechFes2015). Ich hoffe, es ist hilfreich für Sie, die Demo zu üben und das Skript zu verbessern.

Umgebung

• Mac OS 10.11.6 (El Capitan)
• Python 2.7.10

Was das Skript macht

Die Unterscheidung der Gesichtsbildkategorie erfolgt durch maschinelles Lernen. Durch Ändern und Lernen im Ordner "Datensatz" ist es möglich, eine beliebige Gesichtsbildkategorie zu bestimmen.

Einführung

Klonen Sie zuerst von git.

git clone https://github.com/Arudori5001/TokyoTechFes2015.git
cd TokyoTechFes2015

• ImageMagick Es ist eine Anwendung, die Bilder mit einer PC-Kamera aufnimmt. Es ist unter http://cactuslab.com/imagemagick/ (Mac) verfügbar.

• OpenCV http://qiita.com/zabeth129/items/f065f79b1322a82edb1d Bitte versuchen Sie die Installation unter Bezugnahme auf.

• Python-abhängige Bibliothek Alle sind auf pip erhältlich. Bitte beachten Sie, dass die Version von Chainer ziemlich alt ist.

pip install cv2==1.0
pip install pillow==2.9.7
pip install chainer==1.3.2
pip install matplotlib==1.4.3

Als nächstes entpacken Sie dataset.zip und Sie können loslegen.

unzip dataset.zip

Die Verzeichnisstruktur des durch Dekomprimieren erstellten "Dataset" -Ordners lautet wie folgt (nur der Ordner wird angezeigt).

$ tree dataset -d
dataset
├── Baysters
├── Buffealoes
├── Carp
├── Dragons
├── Eagles
├── Fighters
├── Giants
├── Hawks
├── Lions
├── Marines
├── Swallows
└── Tigers

Ich denke, die Namen der 12 Baseballteams stehen in einer Reihe. Jeder Ordner enthält Gesichtsbilder der Spieler jedes Teams. Wenn Sie eine Vorhersage mit den Standardeinstellungen treffen, wird vorausgesagt, "welches Gesicht des Spielers in den 12 Teams das Gesicht im angegebenen Bild hat". Was Sie erwarten, kann geändert werden, indem Sie den Ordner "Datensatz" und darunter ändern (siehe unten).

Prognose

1. Nehmen Sie zunächst mit ImageMagick ein Foto Ihres Gesichts auf und verschieben Sie das resultierende Bild auf einen geeigneten Pfad.
2. Geben Sie den folgenden Befehl ein.

python bbteam_pred.py (Pfad des Bildes, das Sie vorhersagen möchten)

3. Das aufgenommene Bild wird auf dem Bildschirm angezeigt. Wenn das Gesicht erkannt werden kann, wird ein Rahmen um das Gesicht angezeigt. Wenn dies nicht möglich ist, wird "Nicht erkennen!" Angezeigt und das Skript endet.
4. Wenn eine Gesichtserkennung möglich ist, schließen Sie das Bild des angezeigten Rahmens mit der Schaltfläche x oben links. Daraufhin werden zwei neue Bildschirme angezeigt. Eines ist ein Bild mit dem Text "Sie gehören zu (Kategorie)!", Geschrieben auf der Vorderseite des aufgenommenen Bildes, und das andere ist ein Balkendiagramm. Ersteres gibt aus, welche Kategorie vorhergesagt wurde, und letzteres gibt die Sicherheit (hintere Wahrscheinlichkeit) jeder Kategorie aus.

Beispiel

Nehmen wir als Beispiel an, dass das Bild eagles_koyama.jpg, das sich bereits im Ordner sample befindet, das in Schritt 1 aufgenommene Bild ist und eine Vorhersage treffen möchte. Übrigens ist diese Person Koyama von Rakuten Eagles, wie der Dateiname andeutet.

2. Geben Sie den folgenden Befehl ein.

python bbteam_pred.py sample/eagles_koyama.jpg

3. Das aufgenommene Bild wird auf dem Bildschirm angezeigt. Es gibt einen Rahmen um das Gesicht.

4. Schließen Sie das Bild des angezeigten Rahmens mit der X-Taste oben links. Zwei neue Bildschirme werden angezeigt (einer kann im anderen Fenster ausgeblendet sein).

Auf dem Bild oben können wir sehen, dass Koyama mit einer Sicherheit von 95% korrekt vorausgesagt wird, dass er sich dem Gesicht des Eagles-Spielers nähert. Das Bild unten zeigt auch das Vertrauen in andere Teams als Eagles. Abgesehen davon, dass die Adler 95% betragen, scheint der Karpfen eine Sicherheit von etwa 5% zu haben.

Die gleiche Ausgabe wird übrigens auch an die Konsole ausgegeben.

predicted categoriy : Eagles
certainty factor of predicted categoriy : 0.954637289047
certainty factors of each categories : 
Baysters :
	 0.00%
Buffealoes :
	 0.00%
Carp :
	 4.51%
Dragons :
	 0.00%
Eagles :
	95.46%
Fighters :
	 0.00%
Giants :
	 0.00%
Hawks :
	 0.02%
Lions :
	 0.00%
Marines :
	 0.00%
Swallows :
	 0.00%
Tigers :
	 0.00%

Lernen

Datensatzänderungen

Wenn Sie Ihre Erwartungen ändern möchten, müssen Sie den Datensatz vor dem Training ändern. Das Dataset verwendet Dateien mit einer festen Verzeichnisstruktur im Ordner "Dataset" zum Lernen und Testen. Im oben erwähnten Standardfall ist die Verzeichnisstruktur wie folgt.

$ tree dataset -d
dataset
├── Baysters
├── Buffealoes
├── Carp
├── Dragons
├── Eagles
├── Fighters
├── Giants
├── Hawks
├── Lions
├── Marines
├── Swallows
└── Tigers

Der Name jedes Verzeichnisses direkt unter dem Ordner "Dataset" ("Baysters", "Buffealoes", ...) repräsentiert den Kategorienamen. Standardmäßig hat "Baysters" Baysters in einer Kategorie.

Bilder werden direkt unter Ordnern wie "Baysters" aufgereiht.

$ tree dataset/Baysters 
dataset/Baysters
├── 1000003_ss.jpg
├── 1000007_ss.jpg
├── 1000117_ss.jpg
├── 1000118_ss.jpg
├── 1000119_ss.jpg
...

Diese Bilder sind Gesichtsbilder, die zu ihren jeweiligen Kategorien gehören. Die "Baysters" sind mit Gesichtsbildern von Baysters-Spielern gesäumt. Bitte ändern Sie die Verzeichnisstruktur wie oben beschrieben.

Wenn Sie beispielsweise beurteilen möchten, ob es sich um einen Mann oder eine Frau handelt, gehen Sie wie folgt vor. Speichern Sie das weibliche Gesichtsbild in "Weiblich" und das männliche Gesichtsbild in "Männlich".

$ tree dataset -d
dataset
├── Female
└── Male

Ausführung des Lernskripts

Das Lernen erfolgt mit dem folgenden Befehl.

python Learning.py (Anzahl der zum Lernen verwendeten Daten)(Anzahl der zum Testen verwendeten Daten)

Standardmäßig enthält der Datensatz 680 Bilder. Wenn Sie 520 Blatt zum Lernen und 120 Blatt zum Testen verwenden möchten, gehen Sie wie folgt vor.

python Learning.py 520 130