
منتشرشده در towardsdatascience به تاریخ ۲۰ سپتامبر ۲۰۲۱
لینک منبع Using Py-Feat to Plot Facial Expression Predictions
این شاهکار یک ابزار رایگان، منبع باز، و آسان برای کار با دادههای حالات چهره است، که یک جعبهابزار برای تشخیص حالات چهره از تصاویر و ویدئوها، پیش پردازش، تحلیل دادههای حالات چهره، و تجسم دادههای حالات چهره فراهم میکند.
در این برنامه آموزشی، ما به بررسی نحوه استفاده از Py-Feat در یک تصویر چهره واحد میپردازیم.
!pip install py-feat
اول، کلاس آشکار ساز را بارگذاری کنید. شما میتوانید مشخص کنید که از چه مدلهایی میخواهید استفاده کنید. شما میتوانید مدلهای موجود در جعبهابزار Py-feat را در اینجا بررسی کنید.
from feat import Detector
face_model = "retinaface"
landmark_model = "mobilenet"
au_model = "rf"
emotion_model = "resmasknet"
detector = Detector(face_model = face_model, landmark_model = landmark_model, au_model = au_model, emotion_model = emotion_model)
فیل مورد نظر خود را پیدا کنید. در مورد ما، ما از تصویر آزمایشی face.png استفاده میکنیم.
# Find the file you want to process.
test_image = os.path.join("face.png")
این چیزی است که تصویر آزمایشی ما به نظر میرسد.
from PIL import Image
import matplotlib.pyplot as plt
f, ax = plt.subplots()
im = Image.open(test_image)
ax.imshow(im);

حال از نمونهdetector مقداردهی اولیه خود برای پیشبینی با روش detect_image() استفاده میکنیم.
image_prediction = detector.detect_image(test_image)
# Show results
image_prediction

شکل ۳: جدول پیشبینی-تصویر از نویسنده
۱ ردیف * ۱۷۰ ستون
خروجی یک نمونه کلاسFex است که به شما اجازه میدهد تا روشهای بیلتاین برایFex را اجرا کنید.
حالا شما میتوانید به راحتی نتایج تشخیص را ترسیم کنید.
image_prediction.plot_detections();

حالا آن را بهدست آوردهاید! در این مثال، ما از حالت چهره و پیشبینی احساسات از یک مدل یادگیری ماشینی بر روی یک تصویر واحد استفاده کردیم و نتایج را رسم کردیم. Py-feat یک ابزار مفید برای بینایی کامپیوتری و محققان رفتار انسان برای تفسیر و تجزیه و تحلیل دادههای حالات چهره است. برای این که خودتان آن را امتحان کنید، کد کامل زیر را بررسی کنید.
https://colab.research.google.com/drive/1D64vLwbnhrD9wE9tNlZ8L1LNofLZN5vd?usp=sharing
این متن با استفاده از ربات مترجم مقالات علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه میتواند دارای برخی اشکالات ترجمه باشد.
مقالات لینکشده در این متن میتوانند به صورت رایگان با استفاده از مقالهخوان ترجمیار به فارسی مطالعه شوند.