Sdílet prostřednictvím


Klasifikace obrázku předvlaked Cascade

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Vytvoří předvlakový model klasifikace pro čelní obličeje pomocí knihovny OpenCV.

Kategorie: moduly knihovny OpenCV

Poznámka

platí pro: jenom Machine Learning Studio (classic)

podobné moduly přetažení jsou k dispozici v návrháři Azure Machine Learning.

Přehled modulu

tento článek popisuje, jak v Machine Learning studiu (classic) použít modul klasifikace obrázků s využitím integrované kaskády pro rozpoznávání ploch na obrázcích.

Model je založen na knihovně OpenCV . Knihovna OpenCV poskytuje seznam předdefinovaných modelů, které jsou optimalizovány pro zjištění konkrétního typu objektu.

Další informace o předem vyškolených modelech

Tento model rozpoznávání imagí už je vyškolený na velkém corpus imagí, které se běžně používají pro úlohy rozpoznávání imagí. Tento konkrétní model klasifikace byl optimalizován pro detekci obličeje a používá algoritmus detekce objektů Viola-Jones. Účelem modelu je identifikovat obrázky, které obsahují lidský obličej v čelním zobrazení.

I když je k dispozici pouze jeden model klasifikace imagí OpenCV, mohou být v pozdějších verzích k dispozici další předběžně vydávané modely.

Používání předem vyškolených modelů

Pokud máte sadu imagí, které byste chtěli analyzovat, poskytněte je jako vstup do modulu určení skóre , jak je popsáno v tomto tématu, a připojte tento modul, který poskytuje předOpenCVý model knihovny.

Modul bodového modelu používá model klasifikace obrázků k určení, zda obrázek obsahuje lidskou plochu, a vrací skóre pravděpodobnosti pro každý obrázek použitý jako vstup.

Modely založené na klasifikaci předvlakované kaskádové klasifikace se nedají překládat na nových datech imagí.

Formát, ve kterém je model uložený, není kompatibilní s modelem vlaků a moduly modelů křížového ověřování .

Jak nakonfigurovat klasifikaci předvlakované kaskádové klasifikace

model klasifikace imagí v Machine Learning již byl vyškolen pomocí velké datové sady a je optimalizován pro konkrétní typ obrázku. Proto stačí, když potřebujete udělat sadu imagí jako datovou sadu bodování. Jako výstup modul vygeneruje skóre, které označuje, zda každý obrázek obsahuje cílový typ obrázku.

  1. Připravte a importujte datovou sadu imagí, které chcete použít při bodování. Obecně platí, že všechny obrázky v datové sadě mají stejnou velikost.

    Obrázky můžete přidat do experimentu pomocí modulu Import imagí . Přečtěte si nápovědu pro Import imagí pečlivě a ujistěte se, že používané image splňují požadavky. Musíte také zajistit, aby byly image dostupné v možnosti definované úložiště.

  2. Přidejte do experimentu v Studio (Classic) modul pro klasifikaci imagí v rámci sebe. Tento modul můžete najít v kategorii knihovny OpenCV .

  3. Vyberte jedno z předem připravených klasifikátorů ze seznamu v předučeném třídění.

    V současné době je k dispozici pouze jeden klasifikátor: přední plocha, která je vybrána jako výchozí.

  4. Faktor škálování: zadejte hodnotu, která určuje, kolik velikosti obrázku se má zmenšit v každé škále obrázku.

    V knihovně OpenCV je třídění navrženo tak, aby bylo možné snadno "změnit velikost", aby bylo možné najít objekty, které mají zájem v různých velikostech. To je efektivnější než změna velikosti samotné image. Proto pokud chcete najít objekt neznámé velikosti v imagi, měla by být procedura prověřování několikrát provedena v různých měřítkech.

    Doporučujeme, abyste si vyzkoušeli různé faktory škálování, abyste zjistili, která z nich poskytuje nejlepší výsledky klasifikace obrázků.

  5. Minimální počet sousedů: Zadejte celé číslo, které představuje minimální počet překrývajících se obdélníků potřebných k detekci, že je ploška obsažena v oblasti.

    V knihovně OpenCV klasifikátoru detekuje objekty různých velikostí ve vstupní imagi. Zjištěné objekty jsou vráceny jako seznam obdélníků. Parametr souseds určuje, kolik možných shod je nutné pro zařazení jako zjištěné plochy nebo funkce. Zvýšením této hodnoty tedy vzroste přesnost na náklady na pokrytí.

    Příklady výpočtu sousedů najdete v tomto článku v dokumentaci ke knihovně OpenCv: Eigenfaces v OpenCv

  6. Volitelně můžete pomocí následujících nastavení určit velikost obrázku pro model, aby bylo možné dosáhnout lepší předpovědi. Jsou eliminovány obrázky, které nesplňují požadavky:

    • Minimální výška: Zadejte výšku obrazového bodu nejmenšího obrázku. Pokud zadáte hodnotu pro tuto vlastnost, obrázky menší než se ignorují.

    • Maximální výška Zadejte šířku v pixelech největší velikosti obrázku. Pokud zadáte hodnotu pro tuto vlastnost, obrázky větší než se ignorují.

    • Minimální šířka: Zadejte šířku pixelů nejmenšího obrázku. Pokud zadáte hodnotu pro tuto vlastnost, obrázky menší než se ignorují.

    • Maximální šířka: Zadejte šířku v pixelech pro největší obrázek. Pokud zadáte hodnotu pro tuto vlastnost, obrázky větší než se ignorují.

  7. Připojení datovou sadu, která se používá pro bodování.

  8. Přidejte modul určení skóre modelu do experimentu a propojte předem vyškolený klasifikátor obrázků a datovou sadu imagí.

  9. Spusťte experiment.

Výsledky

Výstup modelu skóre zahrnuje název obrázku, popisek s skóre a skóre pravděpodobnosti pro popisek (0 nebo 1). Třídění vytvoří výstup "1", pokud obrázek bude nejspíš zobrazovat objekt (ploška) a "0" jinak. Například:

Název image Vyhodnocené popisky Pravděpodobnost skóre
MAN001.png TRUE 1
TABLE001.PNG FALSE 0
CHAIR001.PNG FALSE 0

Tip

Výstup také obsahuje hodnoty RGB pro všechny barevné kanály v datové sadě. Proto pro snazší prohlížení dat doporučujeme, abyste v experimentu použili možnost vybrat sloupce v datové sadě pro výstup pouze sloupců výsledků.

Technické poznámky

Model rozpoznávání obličeje poskytovaný tímto modulem vychází z Viola-Jones algoritmu pro rozpoznávání tváře. Další informace najdete v těchto zdrojích:

  • Toto video vysvětluje základní koncepty rozpoznávání obličeje, včetně definice funkcí Haar a způsobu jejich použití při detekci obličeje: detekce obličeje – část 1

  • Tento článek Wikipedii popisuje metodu použitou pro třídění na základě dokumentu Navneet Dalal a Bill Triggs: histogram orientovaných přechodů .

  • Dokumentaci k algoritmu rozpoznávání obličeje, který je k dispozici v knihovně OpenCV, najdete v tématu klasifikátoru pro kaskády.

Poznámka

Tento modul neprovádí výstup celé kolekce informací vytvořených knihovnou OpenCV. Tento modul zejména vypíše pouze předpověď toho, zda je ploška přítomna nebo ne, a neobsahuje souřadnice obličeje nebo žádné jiné informace.

Pokud potřebujete tyto další informace, zvažte použití dalších knihoven, například rozhraní API pro rozpoznávání tváře poskytovaných Microsoft Cognitive Services.

Parametry modulu

Name Rozsah Typ Výchozí Description
Předem proučené třídění Seznam PretrainedClassifier Přední strana Předvlakované třídění ze standardní distribuce OpenCV.
Koeficient >= 1,0000000000000002 Float 1.1 Parametr, který určuje, kolik velikosti obrázku se zmenší v každé škále obrázků.
Minimální počet sousedů >= 0 Integer 3 Parametr, který určuje, kolik sousedů mají jednotlivé kandidáty na kandidáta uchovávat.
Minimální výška >= 1 Integer 100 Minimální možná výška objektu (v pixelech). Objekty menší než Toto jsou ignorovány.

Parametr je nepovinný.
Minimální šířka >= 1 Integer 100 Minimální možná šířka objektu (v pixelech). Objekty menší než Toto jsou ignorovány.

Parametr je nepovinný.
Maximální výška >= 1 Integer 200 Maximální možná výška objektu (v pixelech). Objekty, které jsou větší než tato, se ignorují.

Parametr je nepovinný.
Maximální šířka >= 1 Integer 200 Maximální možná šířka objektu (v pixelech). Objekty, které jsou větší než tato, se ignorují.

Parametr je nepovinný.

Výstupy

Název Typ Description
Školený model Rozhraní ILearner Školený model binární klasifikace

Výjimky

Výjimka Description
Chyba 0,005 K výjimce dojde, pokud je parametr menší než konkrétní hodnota.

seznam chyb, které jsou specifické pro moduly studia (classic), najdete v článku kódy chyb Machine Learning.

seznam výjimek rozhraní API najdete v tématu Machine Learning REST API chybové kódy.

Viz také

Import imagí
Klasifikace obrázku předvlaked Cascade