introduction

--Modification du tutoriel MNIST CNN de TensorFlow pour apprendre et déduire les images faciales. --Cette fois, j'effectuerai l'inférence à partir de Flask et afficherai le résultat.

La source complète est ici.

Aperçu

L'inférence est effectuée à l'aide d'images de test pour chaque classe spécifiée dans le fichier de paramètres. ――Le résultat de chaque image signifie que le bleu est correct et le rouge est incorrect. «Nous avons permis de comprendre dans quelle classe chacun était classé.

Flask

Importer un modèle de formation

Importez le fichier face_deep.py précédemment créé.

import face_deep

inférence

―― Nous permettons de faire des inférences avec des images de formation et des images de test. --Tous les .jpeg du dossier sont ciblés pour l'inférence.

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

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

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

--Chaque image est lue avec «Oreiller» et redimensionnée, en niveaux de gris et la valeur est modifiée de «0-255» à «0-1».

    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)

--Recueillez chaque image et entrez-la dans predict of face_deep.py --Comme pour le résultat de l'inférence, un tableau contenant une probabilité telle que «[99 0 0 0 0 0 0 0 0 0]» est renvoyé pour chaque image.

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

Apportez des modifications au modèle. --color est donné comme True si le résultat de l'inférence de l'image cible est correct et "False" s'il est incorrect. --Avec filename, vous pouvez créer un lien d'image à partir du modèle. --Avec percent, le modèle affiche la probabilité de chaque classe d'image.

    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)

modèle

--Par la "couleur" ci-dessus, le bleu "table-primaire" est défini si la réponse est correcte, et le rouge "table-danger" est défini si la réponse est incorrecte.

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

Le lien de l'image du visage est créé en fonction du nom du fichier, etc.
Comme les images enregistrées sont grandes et petites, elles sont modifiées dynamiquement avec size.

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

--La probabilité pour chaque classe de chaque image est affichée.

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

en conclusion

En utilisant Flask, le résultat de l'inférence de l'image du visage était affiché.
Puisqu'une liste de résultats d'inférence et de probabilités pour chaque classe peut être affichée, il est plus facile de vérifier les images inappropriées. ―― La prochaine fois, j'aimerais créer une application Web capable de télécharger diverses images.