La reconnaissance faciale en pratique : 21 étapes

2025 Auteur: John Day | [email protected]. Dernière modifié: 2025-01-13 06:57

C'est un sujet qui me passionne tellement, qu'il me fait perdre le sommeil: Computer Vision, la détection d'objets et de personnes à travers un modèle pré-entraîné.

Étape 1: Présentation

Nous utiliserons l'algorithme YoloV3 pour exécuter une application et exécuter le projet.

J'ai travaillé avec le réseau de neurones il y a 15 ans et je peux dire que c'était une période "difficile", compte tenu des ressources disponibles à l'époque.

Étape 2: Ressources utilisées

· Caméra Logitech C270

· Ordinateur

· NVIDIA GeForce GTX 1660

Étape 3:

Étape 4: Prérequis

Pour faire fonctionner des réseaux de neurones profonds (DNN), il est nécessaire d'utiliser le calcul parallèle, avec un GPU.

Vous aurez donc besoin d'une carte vidéo puissante de NVIDIA et exécuter l'algorithme à l'aide de l'API CUDA (jeu d'instructions virtuelles GPU).

Pour exécuter l'algorithme, vous devez d'abord avoir installé les packages suivants:

- Lecteur de carte vidéo NVIDIA

- CUDA

- CUDNN (Bibliothèque de réseaux de neurones profonds CUDA)

- OpenCV

Étape 5: Configuration informatique requise

Étape 6: Configurer YOLO

Détection à l'aide d'un modèle pré-entraîné

Ouvrez le terminal et entrez les commandes ci-dessus.

Étape 7: Modifier MakeFile

Modifiez le fichier "MakeFile" comme dans la figure ci-dessus, car nous utiliserons le traitement GPU, CUDNN et OpenCV. Après avoir modifié, exécutez la commande 'make'.

Étape 8: Attendez qu'il se termine

La commande 'make' à l'étape 7 compilera tout pour être utilisé par les algorithmes, et son exécution prend un certain temps.

Étape 9: Pour les ordinateurs qui ne correspondent pas aux exigences

Si votre ordinateur et votre carte vidéo ne sont pas aussi puissants ou si vous souhaitez de meilleures performances, modifiez le fichier 'cfg /yolov3.cfg'.

La configuration ci-dessus a été utilisée dans ce projet.

Étape 10: YOLO V3

Les systèmes de détection appliquent généralement le modèle à une image à plusieurs emplacements et échelles différents.

YOLO applique un seul réseau de neurones à l'ensemble de l'image. Ce réseau divise l'image en régions et fournit des cadres de délimitation et des probabilités pour chaque région.

YOLO a plusieurs avantages. Il voit l'image dans son ensemble, donc ses prédictions sont générées par le contexte global de l'image.

Il fait des prédictions avec une seule évaluation de réseau, contrairement à R-CNN qui fait des milliers d'évaluations pour une seule image.

Il est jusqu'à 1000 fois plus rapide que R-CNN et 100 fois plus rapide que Fast R-CNN.

Étape 11: Exécuter YOLO

Pour exécuter YOLO, ouvrez simplement le terminal dans le dossier « darknet » et entrez une commande.

Vous pouvez exécuter YOLO de 4 manières:

· Image

· Images multiples

· Diffusion (Webcam)

· Vidéo

Étape 12: YOLO V3 - Image

Placez l'image de votre choix dans le dossier « données » de darknet, puis exécutez la commande ci-dessus en modifiant le nom de l'image.

Étape 13: YOLO V3 - Image d'entrée

Étape 14: YOLO V3 - Image de sortie

Étape 15: YOLO V3 - Images multiples

Placez les images dans un dossier et au lieu de fournir le chemin de l'image, laissez-le vide et exécutez la commande comme vous pouvez le voir ci-dessus (à gauche).

Après cela, quelque chose comme la figure de droite apparaîtra, placez simplement le chemin de l'image et cliquez sur « enter » et répétez ces étapes pour plusieurs images.