Python의 Opencv 및 Roboflow를 사용한 성별 탐지 - 분석 Vidhya

소개

얼굴 이미지에서 성 감지는 컴퓨터 비전의 많은 매혹적인 응용 중 하나입니다. 이 프로젝트에서 우리는 직접 위치와 성별 분류를 위해 OpenCV를 결합하여 얼굴을 식별하고, 점검하고, 성별을 예측하는 장치를 만들고, 특히 Google Colab에서 Python을 활용 하여이 코드를 입력하고 실행할 것입니다. 이 직접은 코드를 쉽게 따라 잡기 쉬운 연습을 제공하여 각 단계를 명확히하여 벤처에 이해하고 적용 할 수 있습니다.

학습 목표

• OpenCV의 HAAR 캐스케이드를 사용하여 얼굴 탐지를 구현하는 방법을 이해하십시오.
• 성별 분류를 위해 Roboflow API를 통합하는 방법을 알아보십시오.
• 파이썬에서 이미지를 처리하고 조작하는 방법을 탐색하십시오.
• matplotlib을 사용하여 감지 결과를 시각화합니다.
• 실제 응용 프로그램을 위해 AI와 컴퓨터 비전을 결합하는 실용적인 기술을 개발하십시오.

이 기사는 Data Science Blogathon 의 일부로 출판되었습니다 .

목차

• Python에서 OpenCV 및 Roboflow를 사용하여 성별을 감지하는 방법은 무엇입니까?
  • 1 단계 : 라이브러리 가져 오기 및 이미지 업로드
  • 2 단계 : 얼굴 감지를위한 HAAR 캐스케이드 모델 로딩
  • 3 단계 : 이미지의면 감지
  • 4 단계 : 성 검출 API 설정
  • 5 단계 : 각 감지 된면 처리
  • 6 단계 : 결과 표시
• 자주 묻는 질문

Python에서 OpenCV 및 Roboflow를 사용하여 성별을 감지하는 방법은 무엇입니까?

성별 탐지를 위해 Python에서 OpenCV 및 Roboflow를 구현하는 방법을 배우자.

1 단계 : 라이브러리 가져 오기 및 이미지 업로드

주요 단계는 중요한 라이브러리를 결과하는 것입니다. 우리는 사진 준비를 위해 OpenCV를 사용하고, 클러스터를 다루기위한 Numpy 및 Matplotlib를 사용하여 시각화합니다. 또한 분석하고 싶은 얼굴이 포함 된 이미지를 업로드했습니다.

 Google.Colab 가져 오기 파일
CV2 가져 오기
Numpy를 NP로 가져옵니다
matplotlib에서 pyplot에서 pyplot에서 plt
inference_sdk import inferencehttpclient에서

# 이미지 업로드
업로드 = files.upload ()

# 이미지를로드하십시오
uploaded.keys ()의 filename의 경우 :
    img_path = filename

Google Colab에서 Files.upload () 작업을 통해 고객은 이웃 기계에서 Colab 환경으로 사진과 같은 레코드를 전송할 수 있습니다. 업로드하면 사진이 전송 된 단어 참조로 표시되며 키는 레코드 이름과 비교됩니다. 그런 다음 루프 용 A를 사용하여 추가 처리를 위해 파일 경로를 추출합니다. 이미지 처리 작업을 처리하기 위해 OpenCV는 얼굴을 감지하고 주위에 경계 상자를 그려야합니다. 동시에, Matplotlib는 이미지 및 자른면을 표시하는 것을 포함하여 결과를 시각화하는 데 사용됩니다.

2 단계 : 얼굴 감지를위한 HAAR 캐스케이드 모델 로딩

다음으로, 우리는 OpenCV의 HAAR 캐스케이드 데모를 쌓아 놓으며 얼굴을 식별하기 위해 미리 훈련됩니다. 이 모델은 인간의 얼굴과 유사한 패턴에 대한 이미지를 스캔하고 좌표를 반환합니다.

 # 얼굴 감지를 위해 HAAR 캐스케이드 모델을로드하십시오
face_cascade = cv2.cascadeclassifier (cv2.data.haarcascades 'haarcascade_frontalface_default.xml')

일반적으로 객체 감지를위한 일반적인 전략입니다. 객체와 관련된 가장자리, 텍스처 및 패턴을 식별합니다 (이 경우면). OpenCV는`cascadeclassifier '를 사용하여로드되는 미리 훈련 된면 감지 모델을 제공합니다.

3 단계 : 이미지의면 감지

전송 된 그림을 쌓아서 그레이 스케일로 변경합니다. 이는 위치 정확성에 직면하는 데 큰 차이가 생깁니다. 그 후, 우리는 얼굴 탐지기를 사용하여 이미지에서 얼굴을 찾습니다.

 # 이미지를로드하고 그레이 스케일로 변환합니다
img = cv2.imread (img_path)
그레이 = cv2.cvtcolor (IMG, cv2.color_bgr2gray)

# 이미지의 얼굴을 감지합니다
faces = face_cascade.detectmultiscale (회색, scalefactor = 1.1, minneighbors = 5, minsize = (30, 30))

• 이미지 로딩 및 변환 :
  • cv2.imread ()를 사용하여 전송 된 그림을 쌓으십시오.
  • cv2.cvtcolor ()를 사용하여 그림을 그레이 스케일로 변경하여 복잡성을 줄이고 발견을 업그레이드하십시오.
• 얼굴 감지 :
  • Grayscale 이미지에서 Faces를 찾으려면 DetectMultiscale ()을 사용하십시오.
  • 함수는 이미지를 확장하고 얼굴 패턴을 다른 영역을 점검합니다.
  • scalefactor 및 minneighbors와 같은 매개 변수는 감지 감도와 정확도를 조정합니다.

4 단계 : 성 검출 API 설정

이제 우리는 얼굴을 감지 했으므로 inferencehttpclient를 사용하여 Roboflow API를 초기화하여 각 감지 된면의 성별을 예측합니다.

 # 성 검출을 위해 inferencehttpclient를 초기화합니다
클라이언트 = inferencehttpclient (
    api_url = "https://detect.roboflow.com",
    api_key = "use_your_api"
))

inferencehttpclient는 Roboflow API URL 및 API 키로 클라이언트를 구성하여 RoboFlow의 미리 훈련 된 모델과의 상호 작용을 단순화합니다. 이 설정을 통해 요청은 Roboflow에서 호스팅 된 성 감지 모델로 전송 될 수 있습니다. API 키는 인증을위한 고유 식별자 역할을하여 Roboflow API에 대한 안전한 액세스 및 활용을 가능하게합니다.

5 단계 : 각 감지 된면 처리

우리는 감지 된 각면을 통과하고 주위의 사각형을 그리며 얼굴 이미지를 자르고 추가 처리를 위해 얼굴 이미지를 자릅니다. 각 자른 얼굴 이미지는 일시적으로 저장되어 Roboflow API로 전송되며, 성별 감탄 -qiyyg/2 모델은 성별을 예측하는 데 사용됩니다.

성 감지-Qiyyg/2 모델은 성별을 얼굴 특징을 기반으로 남성 또는 여성으로 분류하도록 최적화 된 미리 훈련 된 딥 러닝 모델입니다. 모델이 분류에 대한 모델이 얼마나 확실한지를 나타내는 신뢰 점수를 가진 예측을 제공합니다. 이 모델은 강력한 데이터 세트에서 훈련되어 광범위한 얼굴 이미지에서 정확한 예측을 할 수 있습니다. 이러한 예측은 API에 의해 반환되며 각면에 식별 된 성별 및 신뢰 수준을 표시하는 데 사용됩니다.

 # 얼굴 수를 초기화합니다
face_count = 0

# 라벨이있는 자른 얼굴 이미지를 저장하는 목록
cruped_faces = []

# 감지 된 각면을 처리합니다
얼굴의 (x, y, w, h)의 경우 :
    face_count = 1
    # 감지 된면 주위에 사각형을 그립니다
    cv2.rectangle (img, (x, y), (xw, yh), (255, 0, 0), 2)
    
    # 얼굴 영역을 추출하십시오
    face_img = img [y : yh, x : xw]
    
    # 얼굴 이미지를 일시적으로 저장합니다
    face_img_path = 'temp_face.jpg'
    cv2.imwrite (face_img_path, face_img)
    
    # inferencehttpclient를 사용하여 성별을 감지합니다
    result = client.infer (face_img_path, model_)
    
    결과 및 결과에서 '예측'인 경우 [ '예측'] :
        예측 = 결과 [ '예측'] [0]
        성별 = 예측 [ 'class']
        자신감 = 예측 [ '신뢰']
        
        # 성별과 자신감으로 사각형에 레이블을 지정하십시오
        label = f '{gender} ({신뢰 : .2f})' '
        cv2.putText (IMG, 레이블, (x, y -10), cv2.font_hershey_simplex, 0.8, (255, 0, 0), 2)
        
        # 목록에 라벨이 달린 자른면 추가
        cruped_faces.append ((face_img, label))

인식 된 각면에 대해 시스템은 이미지의 얼굴을 시각적으로 강조하기 위해 cv2.rectangle ()을 사용하여 경계 상자를 그립니다. 그런 다음 슬라이싱 (face_img = img [y : yh, x : xw])을 사용하여 얼굴 영역을 자르고 추가 처리를 위해 분리합니다. 잘린 얼굴을 일시적으로 저장 한 후 시스템은 클라이언트를 통해 Roboflow 모델로 보냅니다. 이 시스템은 CV2.putText ()를 사용하여 각면 위의 텍스트 레이블로 이러한 결과를 추가하여 명확하고 유익한 오버레이를 제공합니다.

6 단계 : 결과 표시

마지막으로 출력을 시각화합니다. 먼저 BGR에서 RGB로 이미지를 변환 한 다음 (OpenCV가 기본적으로 BGR을 사용 하듯이) 감지 된 얼굴과 성별 예측을 표시합니다. 그 후, 우리는 각자의 레이블로 개별 자른 얼굴을 보여줍니다.

 # 디스플레이를 위해 BGR에서 RGB로 이미지를 변환합니다
IMG_RGB = CV2.CVTCOLOR (IMG, CV2.COLOR_BGR2RGB)

# 감지 된 얼굴과 성별 레이블로 이미지 표시
plt.figure (figsize = (10, 10))
plt.imshow (IMG_RGB)
plt.axis ( 'off')
plt.title (f "감지 된 얼굴 : {face_count}")
plt.show ()

# 각 자른면을 가로로 표시합니다
그림, 축 = plt.subplots (1, face_count, figsize = (15, 5))
I, (face_img, label) enumerate (crepped_faces)의 경우 :
    face_rgb = cv2.cvtcolor (face_img, cv2.color_bgr2rgb)
    축 [i] .imshow (face_rgb)
    축 [i] .axis ( 'off')
    축 [i] .set_title (레이블)
plt.show ()

• 이미지 변환 : OpenCV는 기본적으로 bgr 형식을 사용하므로 matplotlib의 올바른 색상 디스플레이를 위해 cv2.cvtcolor ()를 사용하여 이미지를 RGB로 변환합니다.
• 결과 표시 :
  • 우리는 matplotlib를 사용하여 감지 된 얼굴과 그 위에있는 성별 라벨이있는 이미지를 표시합니다.
  • 우리는 또한 각 자른 얼굴 이미지와 예측 된 성별 레이블을 별도의 서브 플롯으로 보여줍니다.

원본 데이터

출력 결과 데이터

결론

이 안내서에서는 Python의 OpenCV 및 Roboflow를 사용하여 강력한 성별 탐지를 성공적으로 개발했습니다. 얼굴 감지 용 OpenCV 및 성별 예측을위한 Roboflow를 구현함으로써 이미지에서 성별을 정확하게 식별하고 분류 할 수있는 시스템을 만들었습니다. 시각화를위한 Matplotlib의 추가는 프로젝트를 더욱 향상시켜 결과에 대한 명확하고 통찰력있는 디스플레이를 제공했습니다. 이 프로젝트는 이러한 기술을 결합하는 효과를 강조하고 실제 응용 프로그램에서 실질적인 이점을 보여 주며 성 탐지 작업을위한 강력한 솔루션을 제공합니다.

주요 테이크 아웃

• 이 프로젝트는 미리 훈련 된 AI 모델을 사용하여 이미지에서 성별을 감지하고 분류하는 효과적인 접근법을 보여줍니다. 시연은 성적 지향을 키가 큰 확실성으로 정확하게 구별하여 흔들리지 않는 품질을 보여줍니다.
• AI 공제를위한 Roboflow, 사진 준비를위한 OpenCV 및 시각화를위한 Matplotlib와 같은 장치를 결합함으로써 벤처는 다양한 혁신을 효과적으로 결합하여 목표를 실현합니다.
• 단일 사진에서 다른 사람들의 성별을 구별하고 분류 할 수있는 시스템의 능력은 활기와 유연성을 강조하여 다양한 응용 프로그램에 적합합니다.
• 미리 훈련 된 데모를 사용하면 다가오는 내에서 주어진 확실한 점수에 의해 입증 된 바와 같이 예측에서 큰 정확성을 보장합니다. 이 정확도는 신뢰할 수있는 성별 분류가 필요한 응용 프로그램에 중요합니다.
• 이 프로젝트는 시각화 기술을 사용하여 감지 된 얼굴과 예측 된 성별로 이미지에 주석을 달 수 있습니다. 이로 인해 결과를 추가 분석을 위해 더 해석 가능하고 가치가 있습니다.

또한 읽으십시오 : NLP 및 Python을 사용한 명명 된 기반 성별 식별

자주 묻는 질문

Q1. 프로젝트의 목적은 무엇입니까?

A. 프로젝트는 AI를 사용하여 이미지에서 성별을 감지하고 분류하는 것을 목표로합니다. 사전 훈련 된 모델을 활용하여 사진에서 개인의 성별을 식별하고 레이블을 지정합니다.

Q2. 어떤 기술과 도구가 사용 되었습니까?

A.이 프로젝트는 AI 추론, 이미지 처리를위한 OpenCV 및 시각화를위한 Matplotlib에 대한 Roboflow 성 검출 모델을 활용했습니다. 또한 스크립팅 및 데이터 처리에 Python을 사용했습니다.

Q3. 성 탐지 모델은 어떻게 작동합니까?

A. 모델은 이미지를 분석하여 얼굴을 감지 한 다음 훈련 된 AI 알고리즘을 기반으로 감지 된 각면을 수컷 또는 여성으로 분류합니다. 예측에 대한 신뢰 점수를 출력합니다.

Q4. 성 탐지는 얼마나 정확합니까?

A. 모델은 신뢰할 수있는 예측을 나타내는 신뢰 점수로 높은 정확도를 보여줍니다. 예를 들어, 결과의 신뢰 점수는 80%이상 이어 성능이 강한 것으로 나타났습니다.

Q5. 모델 프로세스는 어떤 종류의 이미지입니까?

이 기사에 표시된 미디어는 분석 Vidhya가 소유하지 않으며 저자의 재량에 따라 사용됩니다.

위 내용은 Python의 Opencv 및 Roboflow를 사용한 성별 탐지 - 분석 Vidhya의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!