Python: Identification du genre (développement de l'apprentissage profond) Partie 1

Collecte de données

Cette fois sous forme de données pour l'apprentissage en profondeur Pas seulement les ensembles de données fournis en standard avec Keras, tels que MNIST et Cifar10 Apprenez avec Keras en utilisant des images que vous téléchargez en ligne.

Pour l'identification du sexe, le résumé utilise un ensemble de données appelé lfs à l'adresse http://vis-www.cs.umass.edu/lfw/.

Pour d'autres fins de recherche, voir https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/ Par exemple, le jeu de données imdb.

Il est également livré avec des métadonnées et est très facile à gérer et est parfait pour l'examen.

Nettoyage des données

Commencez par charger et afficher l'image.

#Importez CV2 et NumPy pour utiliser OpenCV. Importez également Matplotlib pour l'affichage d'images
import cv2
import matplotlib.pyplot as plt
import numpy as np

#Lecture avec OpenCV. Spécifions le chemin comme argument
img = cv2.imread('./6100_gender_recognition_data/female/Adriana_Lima_0001.jpg')

#Traitez les données lues par OpenCV pour qu'elles puissent être affichées par matplotlib. b,g,Puisqu'il est dans l'ordre r, r,g,Retransformer en b
b,g,r = cv2.split(img) 
img = cv2.merge([r,g,b])

#Image de sortie à l'aide de matplotlib
plt.imshow(img)
plt.show()

Réduction d'image

Lors de l'apprentissage automatique, nous utilisons rarement les images telles quelles.

Si vous capturez une image trop détaillée, le temps d'apprentissage sera très long. De plus, en général, toutes les images obtenues à partir d'Internet, etc. n'ont pas la même taille.

Par conséquent, redimensionnez à l'aide de la fonction CV2.

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

img = cv2.imread('./6100_gender_recognition_data/female/Adriana_Lima_0001.jpg')

#Je vais essayer de le faire au format 50 x 50. Spécifiez l'image et la dimension dans l'argument
my_img = cv2.resize(img, (50, 50))

#J'utilise imwrite pour enregistrer une image
cv2.imwrite('resize.jpg', my_img)
img = plt.imread('resize.jpg')
plt.imshow(img)
plt.show()

Conversion d'espace colorimétrique

La couleur est représentée par trois éléments: rouge, vert et bleu.

Dans l'apprentissage automatique, cela est souvent combiné en un seul pour plus de commodité en raison des performances de l'ordinateur. En d'autres termes, il est exprimé en noir et blanc.

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

img = cv2.imread('./6100_gender_recognition_data/female/Adriana_Lima_0001.jpg')

#Il peut être converti en image monochrome en définissant le deuxième argument de cvtColor sur RGB2GRAY.
my_img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

cv2.imwrite('cvtColor.jpg', my_img)
img = plt.imread('cvtColor.jpg')
plt.imshow(img)

#Matplotlib reconnaît le premier élément comme étant vert, utilisez donc le gris pour l'afficher en noir et blanc.
plt.gray()
plt.show()

Résumé

Revue des opérations de base d'OpenCV

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

img = cv2.imread('./6100_gender_recognition_data/female/Angelina_Jolie_0001.jpg')

my_img = cv2.resize(img, (50, 50))
my_img = cv2.cvtColor(my_img, cv2.COLOR_RGB2GRAY)

cv2.imwrite('final.jpg', my_img)
img = plt.imread('final.jpg')
plt.imshow(img)
plt.gray()
plt.show()