Конец, чтобы закончить обнаружение маски

1.COLLECT. Данные

Предварительная обработка данных
Визуализация данных
Модель сборки
Модель поезда
Оценка обученной модели
Сохранить обученную модель
Прогнозировать на пользовательских данных
Обнаружение в реальном времени

1.Collect Data.

В каждом обучении машины данные проблемы являются основными. Здесь данные собираются из Kaggle Отказ Данные – это подмножество этого набора данных, вы можете скачать его из здесь

2.Data Предварительная обработка

Перед обработкой данных, сначала структурируйте наши данные в правой папке. Для этого у нас есть два варианта:

Используйте Tensorflow image_dataset_from_directory Отказ
Загрузите файл CSV.

Здесь мы решили загрузить из файла CSV. Для этого мы изменяем имя изображения с маской и без маски.

С маска

# importing os module 
import os 

# Function to rename multiple files 
def main():
    for count, filename in enumerate(os.listdir("DATASET/")):
        dst ="withmask." + str(count) + ".jpeg"
        src ='DATASET/'+ filename 
        dst ='DATASET/'+ dst 
        # rename() function will
        # rename all the files 
        os.rename(src, dst) 

# Driver Code 
if __name__ == '__main__':
    # Calling main() function 
    main()

Без маски

# importing os module 
import os 

# Function to rename multiple files 
def main():
    for count, filename in enumerate(os.listdir("New folder/")):
        dst ="withoutmask." + str(count) + ".jpeg"
        src ='New folder/'+ filename 
        dst ='New folder/'+ dst 
        # rename() function will
        # rename all the files 
        os.rename(src, dst) 

# Driver Code 
if __name__ == '__main__':
    # Calling main() function 
    main()

Теперь переместите все изображения в одну папку и создайте Pandas DataFrame

Генерировать dataframe.

import pandas as pd
filenames=os.listdir("FULL_DATA/")
categories=[]
for f_name in filenames:
    category=f_name.split('.')[0]
    if category=='withmask':
        categories.append('withmask')
    else:
        categories.append('withoutmask')
df=pd.DataFrame({
    'filename':filenames,
    'labels':categories
})

Сохраните DataFrame в файл CSV.

Теперь данные в правильной структуре, мы можем загрузить данные

Читать CSV-файл
Shuffle DataFrame с)
Поверните этикетку в массив логического
Создайте проверку набор с помощью urs_test_split
Переключение изображений в тензор

# Define image size
IMG_SIZE = 224

# Function
def process_image(image_path, image_size=IMG_SIZE):
  """
  Takes an image file path and turns the image into a Tensor.
  """
  # Read in an image file
  image = tf.io.read_file(image_path)
  # Turn the jpg image into numerical Tensor with 3 colour channel(RGB)
  image = tf.image.decode_jpeg(image,channels=3)
  # Convert the color channel values to (0-1) values
  image = tf.image.convert_image_dtype(image,tf.float32)
  # Resize the image to (224,224)
  image = tf.image.resize(image, size=[image_size,image_size])

  return image

Превращение данных в партии

# Create a function to return a tuple (image, label)
def get_image_lable(image_path,label):
  """
  Takes an image file path name and the label,
  processes the image and return a tuple (image, label).
  """
  image = process_image(image_path)

  return image, label

# Define the batch size
BATCH_SIZE = 32

# Function to convert data into batches
def create_data_batches(X,y=None, batch_size=BATCH_SIZE,valid_data=False):
  """
  Creates batches of data of image (X) and label (y) pairs.
  Shuffle the data if it's training data but doesn't shuffle if it's validation data.
  """
  # If data is valid dataset (NO SHUFFLE)
  if valid_data:
    print("Creating valid data batches.........")
    data = tf.data.Dataset.from_tensor_slices((tf.constant(X),
                                               tf.constant(y)))
    data_batch = data.map(get_image_lable).batch(batch_size)
    return data_batch

  else:
    print("Creating train data batches.........")
    # Turn filepaths and labels into Tensors
    data = tf.data.Dataset.from_tensor_slices((tf.constant(X),
                                               tf.constant(y)))
    # Shuffling pathname and labels before mapping image processor fun
    data = data.shuffle(buffer_size=len(X))
    data_batch = data.map(get_image_lable).batch(batch_size)

    return data_batch

import matplotlib.pyplot as plt
# Create fun for viewing in a data batch
def show_images(images, labels):
  """
  Displays a plot of 25 images and their labels from a data batch.
  """
  plt.figure(figsize=(20, 20))
  for i in range(25):
    # Subplot
    ax = plt.subplot(5,5,i+1)
    plt.imshow(images[i])
    plt.title(unique_category[labels[i].argmax()])
    plt.axis("Off")

Позвони этому удовольствию

Для данных поезда

train_images, train_labels = next(train_data.as_numpy_iterator())
show_images(train_images,train_labels)

Для действительных данных

val_images, val_labels = next(val_data.as_numpy_iterator())
show_images(val_images, val_labels)

Здесь мы можем использовать Tensorflow Hub для предварительно обученных моделей. Для этой задачи мы используем MobileNet V2, которая является небольшой моделью.

Установить input_shape = [ Нет, 224,224,3]
Набор
Используйте последовательную модель от TF.keras

# Create a fun to build a keras model
def create_model(input_shape=INPUT_SHAPE,output_shape=OUTPUT_SHAPE, model_url=MODEL_URL):
  print("Building model with:", model_url)

  # Setup the model
  model = tf.keras.Sequential([
                               hub.KerasLayer(model_url),
                               tf.keras.layers.Dense(units=output_shape, 
                                                     activation="softmax")
  ])

  # Compile the model
  model.compile(
      loss = tf.keras.losses.BinaryCrossentropy(),
      optimizer = tf.keras.optimizers.Adam(),
      metrics = ["accuracy"]
  )

  # Build the model
  model.build(input_shape)

  return model

Обучить модель на urch_data и valid_data для 25 эпох

Кроме того, добавьте раннюю остановку обратного вызова

model = create_model()
model.summary()

С этой моделью Val_Loss составляет 0,0096, а точность почти 99,99%

Использование Model.Predict () на модели Val_data Возврат Numpy Array формы (_, 2)

Сохраните обученную модель с помощью Save_Model от KERAS.

Загрузка модели немного отличается от обычной Load_Model

model = load_model(
    'model/model.h5', custom_objects={"KerasLayer": hub.KerasLayer})

Здесь мы должны предоставить custom_objects = {“Keraslayer”: Hub. Keraslayer} в функции Load_Model рядом с Model_Path.

Перед прогнозированием новых данных убедитесь, что он находится в правильной форме, а также правильный размер.

def test_data(path):
  demo = imread(path)
  demo = tf.image.convert_image_dtype(demo,tf.float32)
  demo = tf.image.resize(demo,size=[224,224])
  demo = np.expand_dims(demo,axis=0)

  pred = model.predict(demo)
  result = unique_category[np.argmax(pred)]

  return result

В этом мы можем использовать нашу предварительно обученную модель с OpenCV, чтобы сделать обнаружение в реальном времени.

Импорт библиотеки
Используйте веб-камеру с CV2.Videocapture ()
Используйте файл XML Haarcascade_frontalalaceface для обнаружения лица.
Прогнозировать с загруженной моделью.
Здесь вы можете узнать больше о проектах OpenCV.

Вы можете найти код REPO здесь

Vivek2509/конец к концу маска-детектор

Построить глубокую модель обучения для обнаружения маски

Загрузить данные

Кашельство

Используйте модель Tensorflow Hub

MOBILENETV2.

Предсказанное изображение

Используйте OpenCV для обнаружения в реальном времени.

Эй, читатели, спасибо за ваше время. Если вам понравился блог, не забудьте ценить это.

Энтузиаст AI/ML | Блогер

Если у вас есть какие-либо вопросы или предложения, не стесняйтесь связаться со мной на

Twitter Linkedin.

Оригинал: “https://dev.to/vivek2509/end-to-end-mask-detection-3ln6”