Önceden Eğitilmemiş Basamaklı Görüntü Sınıflandırması
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning.
- Daha fazla bilgi Azure Machine Learning.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
OpenCV Kitaplığını kullanarak ön yüzler için önceden eğitilmemiş bir görüntü sınıflandırma modeli oluşturur
Kategori: OpenCV Kitaplık Modülleri
Not
Uygulama: Machine Learning Studio (yalnızca klasik)
Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.
Modüle genel bakış
Bu makalede, görüntülerde yüzleri algılamak için Machine Learning Studio'da (klasik) Önceden Eğitilen Basamaklı Görüntü Sınıflandırma modülünün nasıl kullanımı açıklanmıştır.
Model, OpenCV kitaplığını temel alan bir modeldir . OpenCV Kitaplığı, her biri belirli bir nesne türünü algılamak için iyileştirilmiş önceden tanımlanmış modellerin bir listesini sağlar.
Önceden eğitilmiş model hakkında daha fazla bilgi
Bu görüntü tanıma modeli, görüntü tanıma görevleri için yaygın olarak kullanılan büyük bir görüntü corpus üzerinde zaten eğitilmişti. Bu sınıflandırma modeli, yüz algılama için en iyi duruma getirilmiş ve Viola-Jones algılama algoritmasını kullanır. Modelin amacı, ön görünümde insan yüzü içeren görüntüleri tanımlamaktır.
Şu anda yalnızca bir OpenCV görüntü sınıflandırma modeli sağlanıyor olsa da, sonraki sürümlerde ek önceden eğitilmemiş modeller kullanılabilir.
Önceden eğitilmiş bir modeli kullanma
Analiz etmek için bir dizi görüntü varsa, bunları bu konuda açıklandığı gibi Modeli Puanlama modülüne girdi olarak sağlar ve önceden eğitilen OpenCV kitaplık modelini sağlayan bu modülü ekleyebilirsiniz.
Modeli Puanlama modülü , görüntüde insan yüzü olup olmadığını belirlemek için görüntü sınıflandırma modelini kullanır ve giriş olarak kullanılan her görüntü için bir olasılık puanı döndürür.
Önceden Eğitilmemiş Basamaklı Görüntü Sınıflandırmasını temel alan modeller yeni görüntü verilerinde yeniden eğitilamaz.
Modelin depolandığı biçim Modeli Eğit ve Modeli Çapraz Doğrula modülleriyle uyumlu değildir.
Önceden Eğitilen Basamaklı Görüntü Sınıflandırmasını yapılandırma
Machine Learning'daki görüntü sınıflandırma modeli zaten büyük bir veri kümesi kullanılarak eğitilmiş ve belirli bir görüntü türü için iyileştirilmiştir. Bu nedenle, tek gereken puanlama veri kümesi olarak bir görüntü kümesi sağlamaktır. Modül, çıkış olarak her görüntünün hedef görüntü türünü içerdiğini belirten bir puan oluşturur.
Puanlamada kullanmayı planladnız görüntülerin veri kümelerini hazırlayın ve içeri aktarın. Genel olarak veri kümesinde yer alan tüm görüntülerin aynı boyutta olması gerekir.
Görüntüleri denemenize eklemek için Görüntüleri İçeri Aktarma modülünü kullanın . Gereksinimleri karşılamak için , kullanmakta olduğu görüntülerin doğru olduğundan emin olmak için Görüntüleri İçeri Aktarma yardımını yakından okuyun. Ayrıca görüntülerin tanımlı depolama seçeneğinde erişilebilir olduğundan da emin olmak gerekir.
Studio'da (klasik) denemenize Önceden Eğitilen Basamaklı Görüntü Sınıflandırma modülünü ekleyin. Bu modülü OpenCV Kitaplığı kategorisinde bulabilirsiniz.
Önceden eğitilmiş sınıflandırıcılar listesinden önceden eğitilmiş sınıflandırıcılardan birini seçin.
Şu anda yalnızca bir sınıflandırıcı kullanılabilir: Varsayılan olarak seçilen ön yüz.
Ölçek faktörü: Her görüntü ölçeğinde görüntü boyutunun ne kadar azalt olduğunu belirten bir değer yazın.
OpenCV Kitaplığı'nda sınıflandırıcı, farklı boyutlardaki ilgi nesnelerini bulmak için kolayca "yeniden boyutlandırılabilir" olacak şekilde tasarlanmıştır. Bu, görüntünün kendisini yeniden boyutlandırmaktan daha verimlidir. Bu nedenle, görüntüde bilinmeyen boyutta bir nesne bulmak için tarama yordamının farklı ölçeklerde birkaç kez yapılması gerekir.
En iyi görüntü sınıflandırma sonuçlarını sağlayanı görmek için farklı ölçeklendirme faktörleri denemenizi öneririz.
En az komşu sayısı: Yüzün bir bölgeye dahil olduğunu algılamak için gereken en düşük çakışan dikdörtgen sayısını temsil eden bir tam sayı yazın.
OpenCV kitaplığında sınıflandırıcı, giriş görüntüsünde farklı boyutlardaki nesneleri algılar. Algılanan nesneler dikdörtgen listesi olarak döndürülür. Komşular parametresi, algılanan bir yüz veya özellik olarak kabul etmek için kaç olası eşleşmenin gerekli olduğunu kontrol eder. Bu nedenle, bu değerin artırılması kapsam maliyetinde duyarlığı artırma eğilimindedir.
Komşular nasıl hesaplanır örnekleri için OpenCv Kitaplığı belgelerinde şu makaleye bakın: OpenCV'de eigenfaces
İsteğe bağlı olarak, daha iyi tahminler yapmak üzere modele görüntü boyutunu belirtmek için aşağıdaki ayarları kullanabilirsiniz. Gereksinimlere uymamış görüntüler ortadan kaldırılmış olur:
En düşük yükseklik: En küçük görüntünün piksel yüksekliğini yazın. Bu özellik için bir değer belirtirsiniz, bu özellikten küçük görüntüler yoksayılır.
En yüksek yükseklik. En büyük görüntünün piksel genişliğini yazın. Bu özellik için bir değer belirtirsiniz, bu özellikten büyük görüntüler yoksayılır.
Minimum genişlik: En küçük görüntünün piksel genişliğini yazın. Bu özellik için bir değer belirtirsiniz, bu özellikten küçük görüntüler yoksayılır.
Maksimum genişlik: En büyük görüntünün piksel genişliğini yazın. Bu özellik için bir değer belirtirsiniz, bu özellikten büyük görüntüler yoksayılır.
Bağlan için kullanılan görüntü veri kümesine tıklayın.
Modeli Puanla modülünü denemenize ekleyin ve önceden eğitilmiş görüntü sınıflandırıcıyı ve görüntü veri kümenizi bağlama.
Denemeyi çalıştırın.
Sonuçlar
Modeli Puanla çıkışı görüntü adını, puanlı etiketi ve etiketin olasılık puanını (0 veya 1) içerir. Görüntüde nesneyi (yüz) gösterme olasılığı yüksekse sınıflandırıcı bir "1" ve aksi takdirde "0" çıkışını oluşturur. Örnek:
| Görüntü adı | Puanlanmış Etiketler | Puanlı Olasılıklar |
|---|---|---|
| MAN001.png | TRUE | 1 |
| TABLE001.PNG | FALSE | 0 |
| CHAIR001.PNG | FALSE | 0 |
İpucu
Çıktı, veri kümesinde tüm renk kanalları için RGB değerlerini de içerir. Bu nedenle, verileri daha kolay görüntülemek için denemede Veri Kümesinde Sütunları Seç seçeneğini kullanarak yalnızca sonuç sütunlarını çıkış olarak göstermenizi öneririz.
Teknik notlar
Bu modül tarafından sağlanan yüz tanıma modeli, yüz Viola-Jones algoritmasını temel alır. Daha fazla bilgi için şu kaynaklara bakın:
Bu videoda, Haar özelliklerinin tanımı ve yüz algılamada nasıl kullanıldıkları da dahil olmak üzere yüz tanımanın temel kavramları açıkmektedir: Yüz Algılama - Bölüm 1
Bu Wikipedia makalesinde, Navneet Dalal ve Bill Triggs: Yönlendirilen gradyan histogramı makalesine dayanarak sınıflandırıcı için kullanılan yöntem açıklanmıştır
OpenCV kitaplığında sağlanan yüz tanıma algoritmasının belgeleri için bkz. Cascade Classifier.
Not
Bu modül, OpenCV kitaplığı tarafından üretilen bilgilerin tam koleksiyonunun çıkışını oluşturmaz. Bu modül özellikle yüzün mevcut olup olmadığıyla ilgili tahminde bulunur ve yüzün koordinatlarını veya diğer bilgileri içermez.
Bu ek bilgilere ihtiyacınız varsa, Microsoft Bilişsel Hizmetler tarafından sağlanan Yüz Tanıma API'si gibi diğer kitaplıkları kullanmayı göz önünde bulundurabilirsiniz.
Modül parametreleri
| Name | Aralık | Tür | Varsayılan | Description |
|---|---|---|---|---|
| Önceden eğitilen sınıflandırıcı | Liste | Pretraınedsınıflandırıcı | En yatay yüz | Standart OpenCV dağılıcılarından önceden eğitilen sınıflandırıcı. |
| Ölçek faktörü | >= 1,0000000000000002 | Float | 1.1 | Her görüntü ölçeğinde görüntü boyutunun ne kadar azaltılacağını belirten parametre. |
| En az komşu sayısı | >sınama | Tamsayı | 3 | Her aday dikdörtgenin kaç tane komşun tarafından saklanması gerektiğini belirten parametre. |
| Minimum yükseklik | >değer | Tamsayı | 100 | Mümkün olan en düşük nesne yüksekliği (piksel cinsinden). Bundan küçük nesneler yok sayılır. Parametresi isteğe bağlıdır. |
| En küçük genişlik | >değer | Tamsayı | 100 | Olası en düşük nesne genişliği (piksel cinsinden). Bundan küçük nesneler yok sayılır. Parametresi isteğe bağlıdır. |
| Maksimum yükseklik | >değer | Tamsayı | 200 | Mümkün olan en yüksek nesne yüksekliği (piksel cinsinden). Bundan büyük nesneler yok sayılır. Parametresi isteğe bağlıdır. |
| Maksimum genişlik | >değer | Tamsayı | 200 | Olası en yüksek nesne genişliği (piksel cinsinden). Bundan büyük nesneler yok sayılır. Parametresi isteğe bağlıdır. |
Çıkışlar
| Ad | Tür | Description |
|---|---|---|
| Eğitilen model | ILearner arabirimi | Eğitilen ikili sınıflandırma modeli |
Özel durumlar
| Özel durum | Description |
|---|---|
| Hata 0005 | Parametre belirli bir değerden küçükse özel durum oluşur. |
Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.
apı özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.
Ayrıca bkz.
Görüntüleri içeri aktar
Önceden eğitilen basamaklı görüntü sınıflandırması