Klasifikasi Gambar Kaskade Yang Telah Dilatih Sebelumnya
Penting
Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.
Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.
- Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Membuat model klasifikasi gambar yang telah dilatih sebelumnya untuk wajah frontal menggunakan Perpustakaan OpenCV
Kategori: Modul Perpustakaan OpenCV
Catatan
Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja
Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.
Ringkasan Modul
Artikel ini menjelaskan cara menggunakan modul Klasifikasi Gambar Kaskade Pretrained di Pembelajaran Mesin Studio (klasik), untuk mendeteksi wajah dalam gambar.
Model ini didasarkan pada perpustakaan OpenCV . Perpustakaan OpenCV menyediakan daftar model yang telah ditentukan, masing-masing dioptimalkan untuk mendeteksi jenis objek tertentu.
Lebih lanjut tentang model pra-pelatihan
Model pengenalan gambar ini telah dilatih pada korpus besar gambar yang banyak digunakan untuk tugas pengenalan gambar. Model klasifikasi khusus ini telah dioptimalkan untuk deteksi wajah, dan menggunakan algoritma deteksi objek Viola-Jones. Tujuan dari model ini adalah untuk mengidentifikasi gambar yang berisi wajah manusia dalam tampilan frontal.
Meskipun saat ini hanya satu model klasifikasi gambar OpenCV yang disediakan, model pretrained tambahan mungkin tersedia di rilis selanjutnya.
Menggunakan model pra-terlatih
Jika Anda memiliki satu set gambar yang ingin Anda analisis, Anda memberikannya sebagai input ke modul Model Skor seperti yang dijelaskan dalam topik ini, dan melampirkan modul ini, yang menyediakan model perpustakaan OpenCV yang telah dilatih sebelumnya.
Modul Model Skor menggunakan model klasifikasi gambar untuk menentukan apakah gambar berisi wajah manusia, dan mengembalikan skor probabilitas untuk setiap gambar yang digunakan sebagai input.
Model berdasarkan Klasifikasi Gambar Kaskade Pra pelatihan tidak dapat dilatih ulang pada data gambar baru.
Format di mana model disimpan tidak kompatibel dengan modul Train Model dan Cross-Validate Model .
Cara mengonfigurasi Klasifikasi Gambar Kaskade Pratrained
Model klasifikasi gambar di Pembelajaran Mesin telah dilatih menggunakan himpunan data besar dan dioptimalkan untuk jenis gambar tertentu. Oleh karena itu, yang perlu Anda lakukan adalah menyediakan satu set gambar sebagai dataset penilaian. Sebagai output, modul menghasilkan skor yang menunjukkan apakah setiap gambar berisi jenis gambar target.
Siapkan dan impor himpunan data gambar yang anda rencanakan untuk digunakan dalam penilaian. Secara umum, semua gambar dalam dataset harus berukuran sama.
Anda menambahkan gambar ke eksperimen Anda dengan menggunakan modul Impor Gambar . Baca bantuan untuk Impor Gambar dengan cermat untuk memastikan bahwa gambar yang Anda gunakan memenuhi persyaratan. Anda juga harus memastikan bahwa gambar dapat diakses dalam opsi penyimpanan yang ditentukan.
Tambahkan modul Klasifikasi Gambar Kaskade Pra pelatihan ke eksperimen Anda di Studio (klasik). Anda dapat menemukan modul ini dalam kategori Perpustakaan OpenCV .
Pilih salah satu pengklasifikasi pra-pelatihan dari daftar di pengklasifikasi pra-pelatihan.
Saat ini, hanya satu pengklasifikasi yang tersedia: Wajah frontal, yang dipilih secara default.
Faktor skala: Ketik nilai yang menentukan berapa banyak ukuran gambar dikurangi pada setiap skala gambar.
Di Perpustakaan OpenCV, pengklasifikasi dirancang sehingga dapat dengan mudah "diubah ukurannya" agar dapat menemukan objek yang menarik pada ukuran yang berbeda. Ini lebih efisien daripada mengubah ukuran gambar itu sendiri. Dengan demikian, untuk menemukan objek dengan ukuran yang tidak diketahui dalam gambar prosedur pemindaian harus dilakukan beberapa kali pada skala yang berbeda.
Sebaiknya coba berbagai faktor penskalaan untuk melihat mana yang memberikan hasil klasifikasi gambar terbaik.
Jumlah minimum tetangga: Ketik bilangan keseluruhan yang mewakili jumlah minimum persegi panjang yang tumpang tindih yang diperlukan untuk mendeteksi bahwa wajah disertakan dalam suatu wilayah.
Di pustaka OpenCV, pengklasifikasi mendeteksi objek dengan ukuran berbeda dalam gambar input. Objek yang terdeteksi dikembalikan sebagai daftar persegi panjang. Parameter tetangga mengontrol berapa banyak kemungkinan kecocokan yang diperlukan untuk memenuhi syarat sebagai wajah atau fitur yang terdeteksi. Dengan demikian, meningkatkan nilai ini cenderung meningkatkan presisi pada biaya pertanggungan.
Untuk contoh bagaimana tetangga dihitung, lihat artikel ini di dokumentasi Perpustakaan OpenCv: Eigenfaces di OpenCV
Secara opsional, Anda dapat menggunakan pengaturan berikut untuk menentukan ukuran gambar ke model sehingga dapat membuat prediksi yang lebih baik. Gambar yang tidak sesuai dengan persyaratan dihilangkan:
Tinggi minimum: Ketik tinggi piksel gambar terkecil. Jika Anda menentukan nilai untuk properti ini, gambar yang lebih kecil dari ini akan diabaikan.
Tinggi maksimum. Ketik lebar piksel gambar terbesar. Jika Anda menentukan nilai untuk properti ini, gambar yang lebih besar dari ini akan diabaikan.
Lebar minimum: Ketik lebar piksel gambar terkecil. Jika Anda menentukan nilai untuk properti ini, gambar yang lebih kecil dari ini akan diabaikan.
Lebar maksimum: Ketik lebar piksel gambar terbesar. Jika Anda menentukan nilai untuk properti ini, gambar yang lebih besar dari ini akan diabaikan.
Koneksi himpunan data gambar yang digunakan untuk mencetak gol.
Tambahkan modul Model Skor ke eksperimen Anda, dan hubungkan pengklasifikasi gambar yang telah dilatih sebelumnya, dan kumpulan data gambar Anda.
Jalankan eksperimen.
Hasil
Output Dari Model Skor mencakup nama gambar, label yang dicetak, dan skor probabilitas untuk label (baik 0 atau 1). Pengklasifikasi mengeluarkan "1" jika gambar cenderung menunjukkan objek (wajah), dan "0" sebaliknya. Contohnya:
| Nama gambar | Label Skor | Probabilitas Penilaian |
|---|---|---|
| MAN001.png | BENAR | 1 |
| TABLE001.PNG | FALSE | 0 |
| CHAIR001.PNG | FALSE | 0 |
Tip
Output juga berisi nilai RGB untuk semua saluran warna dalam himpunan data. Oleh karena itu, untuk melihat data dengan lebih mudah, sebaiknya dalam eksperimen Anda gunakan Pilih Kolom dalam Himpunan Data untuk mengeluarkan hanya kolom hasil.
Catatan teknis
Model pengenalan wajah yang disediakan oleh modul ini didasarkan pada algoritma deteksi wajah Viola-Jones. Untuk informasi selengkapnya, lihat sumber daya berikut ini:
Video ini menjelaskan konsep dasar pengenalan wajah, termasuk definisi fitur Haar dan bagaimana mereka digunakan dalam deteksi wajah: Deteksi Wajah - Bagian 1
Artikel Wikipedia ini menjelaskan metode yang digunakan untuk pengklasifikasi, berdasarkan makalah oleh Navneet Dalal dan Bill Triggs: Histogram gradien berorientasi
Untuk dokumentasi algoritme pengenalan wajah yang disediakan di pustaka OpenCV, lihat Cascade Classifier.
Catatan
Modul ini tidak menghasilkan pengumpulan penuh informasi yang dihasilkan oleh perpustakaan OpenCV. Secara khusus, modul ini hanya mengeluarkan prediksi apakah wajah ada atau tidak, dan tidak termasuk koordinat wajah atau informasi lainnya.
Jika Anda memerlukan informasi tambahan ini, pertimbangkan untuk menggunakan pustaka lain, seperti Face API yang disediakan oleh Microsoft Cognitive Services.
Parameter modul
| Nama | Rentang | Jenis | Default | Deskripsi |
|---|---|---|---|---|
| Pengklasifikasi pra-pelatihan | Daftar | PretrainedClassifier | Wajah frontal | Pengklasifikasi yang telah dilatih sebelumnya dari distribusi OpenCV standar. |
| Faktor skala | >=1.00000000000000002 | Mengambang | 1.1 | Parameter yang menentukan berapa banyak ukuran gambar dikurangi pada setiap skala gambar. |
| Jumlah minimum tetangga | >=0 | Bilangan bulat | 3 | Parameter yang menentukan berapa banyak tetangga setiap calon persegi panjang harus mempertahankannya. |
| Tinggi minimum | >=1 | Bilangan bulat | 100 | Tinggi objek minimum yang mungkin (dalam piksel). Objek yang lebih kecil dari ini diabaikan. Parameternya opsional. |
| Lebar minimum | >=1 | Bilangan bulat | 100 | Lebar objek minimum yang mungkin (dalam piksel). Objek yang lebih kecil dari ini diabaikan. Parameternya opsional. |
| Tinggi maksimum | >=1 | Bilangan bulat | 200 | Tinggi objek maksimum yang mungkin (dalam piksel). Objek yang lebih besar dari ini diabaikan. Parameternya opsional. |
| Lebar maksimum | >=1 | Bilangan bulat | 200 | Lebar objek maksimum yang mungkin (dalam piksel). Objek yang lebih besar dari ini diabaikan. Parameternya opsional. |
Output
| Nama | Jenis | Deskripsi |
|---|---|---|
| Model terlatih | Antarmuka ILearner | Model klasifikasi biner terlatih |
Pengecualian
| Pengecualian | Deskripsi |
|---|---|
| Kesalahan 0005 | Pengecualian terjadi jika parameter kurang dari nilai tertentu. |
Untuk daftar kesalahan khusus untuk modul Studio (klasik), lihat Pembelajaran Mesin Kode kesalahan.
Untuk daftar pengecualian API, lihat Pembelajaran Mesin Kode Kesalahan REST API.
Lihat juga
Impor Gambar
Klasifikasi Gambar Kaskade Yang Telah Dilatih Sebelumnya