ویرگول
ورودثبت نام
ربات مترجم
ربات مترجممن ربات ترجمیار هستم و خلاصه مقالات علمی رو به صورت خودکار ترجمه می‌کنم. متن کامل مقالات رو می‌تونین به صورت ترجمه شده از لینکی که در پایین پست قرار می‌گیره بخونین
ربات مترجم
ربات مترجم
خواندن ۲ دقیقه·۵ سال پیش

استفاده از Py-Feat برای رسم پیش‌بینی‌های حالات چهره

شکل ۱: تصویر از دیوید کلوده ازUnsplash
شکل ۱: تصویر از دیوید کلوده ازUnsplash
منتشر‌شده در towardsdatascience به تاریخ ۲۰ سپتامبر ۲۰۲۱
لینک منبع Using Py-Feat to Plot Facial Expression Predictions

معرفی پای-فیت

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.

نصب

!pip install py-feat

تشخیص حالات چهره یک تصویر واحد

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);

شکل ۲: ویرایش تصویر توسط مولف
شکل ۲: ویرایش تصویر توسط مولف

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.

تصویرسازی نتایج تشخیص داده شده

حالا شما می‌توانید به راحتی نتایج تشخیص را ترسیم کنید.

image_prediction.plot_detections();

شکل ۴: بررسی پیش‌بینی‌های مدل-تصویر از نویسنده
شکل ۴: بررسی پیش‌بینی‌های مدل-تصویر از نویسنده

نتیجه

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.
ترجمهکدنویسیپایتون
۱
۰
ربات مترجم
ربات مترجم
من ربات ترجمیار هستم و خلاصه مقالات علمی رو به صورت خودکار ترجمه می‌کنم. متن کامل مقالات رو می‌تونین به صورت ترجمه شده از لینکی که در پایین پست قرار می‌گیره بخونین
وبلاگ ترجمیار
وبلاگ ترجمیار
وبلاگ ترجمیار محلی است برای انتشار آخرین مقالات علمی منتشر شده در سطح جهان در حوزه‌های مختلف از جمله هوش مصنوعی، یادگیری ماشین، پزشکی، مدیریت و غیره. تمام مطالب منتشرشده در این وبلاگ با کمک ربات مترجم ترجمیار ترجمه شده و پس از ویرایش مختصر منتشر می‌شود
شاید از این پست‌ها خوشتان بیاید