Предварительно обученная каскадная модель классификации изображений
Важно!
Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.
Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.
- См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
- См. дополнительные сведения о Машинном обучении Azure.
Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.
Создает предварительно обученную модель классификации изображений для распознавания фронтальных видов лица с помощью библиотеки OpenCV
Категория: модули библиотеки OpenCV
Примечание
применимо к: только Машинное обучение Studio (классическая модель)
Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.
Обзор модуля
в этой статье описывается, как использовать предварительно обученный модуль классификации изображений в Машинное обучение Studio (классическая модель) для обнаружения лиц в образах.
Модель основана на библиотеке opencv . Библиотека OpenCV предоставляет список стандартных моделей, каждый из которых оптимизирован для обнаружения определенного типа объекта.
Дополнительные сведения о предварительно обученной модели
Эта модель распознавания изображений уже обучена для больших совокупности изображений, широко используемых для задач распознавания изображений. Эта конкретная модель классификации оптимизирована для обнаружения лиц и использует алгоритм обнаружения объектов Viola-Jones. Цель модели — выявление изображений, содержащих человека в интерфейсном представлении.
Хотя в настоящее время предоставляется только одна модель классификации изображений OpenCV, дополнительные предварительно обученные модели могут быть доступны в более поздних выпусках.
Использование предварительно обученной модели
Если вы хотите проанализировать набор изображений, укажите их в качестве входных данных для модуля оценки модели , как описано в этом разделе, и присоедините этот модуль, который предоставляет модель предопределенной библиотеки OpenCV.
Модуль Оценка модели использует модель классификации изображений для определения того, содержит ли изображение лицо человека, и возвращает оценку вероятности для каждого изображения, используемого в качестве входных данных.
Модели, основанные на предварительно обученной классификации каскадных изображений , нельзя переучить на основе новых данных изображения.
Формат, в котором хранится модель, несовместим с модулями обучение модели и Перекрестная проверка модели .
Как настроить предварительно обученную классификацию изображений
модель классификации изображений в Машинное обучение уже обучена с помощью большого набора данных и оптимизирована для определенного типа изображения. Поэтому все, что нужно сделать, — это предоставить набор изображений в качестве набора данных для оценки. В качестве выходных данных модуль формирует оценку, которая указывает, содержит ли каждое изображение тип целевого изображения.
Подготовьте и импортируйте набор данных изображений, которые планируется использовать в оценке. Как правило, все образы в наборе данных должны иметь одинаковый размер.
Изображения добавляются в эксперимент с помощью модуля Импорт изображений . Внимательно прочитайте справку по импорту изображений , чтобы убедиться, что используемые образы соответствуют требованиям. Кроме того, необходимо убедиться, что образы доступны в определенном параметре хранилища.
Добавьте предварительно заданный модуль классификации каскадных изображений в эксперимент в студии (классическая модель). Этот модуль можно найти в категории библиотеки OpenCV .
Выберите один из предварительно обученных классификаторов из списка в предварительно обученном классификаторе.
Сейчас доступен только один классификатор: Передняя поверхность, которая выбрана по умолчанию.
Коэффициент масштабирования. Введите значение, которое указывает, насколько уменьшается размер изображения в каждой шкале изображения.
В библиотеке OpenCV классификатор разрабатывается таким образом, чтобы его можно было легко "изменить размер", чтобы иметь возможность найти нужные объекты в разных размерах. Это более эффективно, чем изменение размера самого образа. Таким образом, чтобы найти объект неизвестного размера в образе, процедура просмотра должна выполняться несколько раз с различными шкалами.
Мы рекомендуем использовать различные коэффициенты масштабирования, чтобы увидеть наилучшие результаты классификации изображений.
Минимальное число соседей: Введите целое число, представляющее минимальное число перекрывающихся прямоугольников, необходимых для обнаружения того, что лицевая часть включена в регион.
В библиотеке OpenCV классификатор обнаруживает объекты различных размеров во входном изображении. Обнаруженные объекты возвращаются в виде списка прямоугольников. Параметр соседи определяет, сколько возможных соответствий необходимо для определения обнаруженного лица или функции. Поэтому увеличение этого значения, как правило, приводит к увеличению точности за счет затрат на покрытие.
Примеры вычисления соседей см. в этой статье документации по библиотеке OpenCv: еиженфацес in OpenCv
При необходимости можно использовать следующие параметры, чтобы указать размер изображения для модели, чтобы он мог выполнять более точные прогнозы. Устраняются образы, не соответствующие требованиям.
Минимальная высота: введите высоту наименьшего изображения в пикселях. Если указать значение для этого свойства, изображения меньше этого значения игнорируются.
Максимальная высота. Введите ширину самого крупного изображения в пикселях. Если указать значение для этого свойства, изображения, превышающие это, будут игнорироваться.
Минимальная ширина: введите ширину наименьшего изображения в пикселях. Если указать значение для этого свойства, изображения меньше этого значения игнорируются.
Максимальная ширина: введите ширину наибольшего изображения в пикселях. Если указать значение для этого свойства, изображения, превышающие это, будут игнорироваться.
Подключение набор данных изображений, используемый для оценки.
Добавьте модуль оценки модели в эксперимент и подключите предварительно обученный классификатор изображений и набор данных изображений.
Запустите эксперимент.
Результаты
Выходные данные модели оценки включают имя изображения, метку оценки и показатель вероятности для метки (0 или 1). Классификатор выводит "1", если изображение, скорее всего, показывает объект (лицо), и "0" в противном случае. Пример.
| Имя образа | Оцененные метки | Оцененные вероятности |
|---|---|---|
| MAN001.png | true | 1 |
| TABLE001.PNG | FALSE | 0 |
| CHAIR001.PNG | FALSE | 0 |
Совет
Выходные данные также содержат значения RGB для всех цветовых каналов в наборе данных. Поэтому для более простого просмотра данных мы рекомендуем использовать в эксперименте Выбор столбцов в наборе данных для вывода только результирующих столбцов.
Технические примечания
Модель распознавания лиц, предоставляемая этим модулем, основана на алгоритме обнаружения лиц Viola-Jones. Для получения дополнительных сведений см. следующие ресурсы.
В этом видео объясняются основные понятия распознавания лиц, включая определение функций Хаар и их использование в обнаружении лиц: обнаружение лиц. часть 1
В этой статье Википедии описывается метод, используемый для классификатора, основанный на документе Навнит Далал and Bill Триггс: гистограмма ориентированных градиентов .
Документацию по алгоритму распознавания лиц, предоставляемым в библиотеке OpenCV, см. в разделе CASCADE классификатор.
Примечание
Этот модуль не выводит полный набор сведений, созданных библиотекой OpenCV. В частности, этот модуль выводит только сведения о том, имеется ли в наличии лицо или нет, и не включает координаты лица или другие сведения.
Если вам нужны эти дополнительные сведения, рассмотрите возможность использования других библиотек, например API распознавания лиц , предоставляемых Microsoft Cognitive Services.
Параметры модуля
| Имя | Диапазон | Тип | По умолчанию | Описание |
|---|---|---|---|---|
| Предварительно обученный классификатор | Список | PretrainedClassifier | Фронтальное лицо | Предварительно обученный классификатор из стандартного набора OpenCV. |
| Масштаб | >= 1,0000000000000002 | Float | 1,1 | Параметр, указывающий, насколько уменьшается размер изображения при каждом масштабировании. |
| Минимальное число соседей | >=0 | Целочисленный тип | 3 | Параметр, указывающий, сколько соседей должно быть у каждого возможного прямоугольника для сохранения. |
| Минимальная высота | >= 1 | Целое число | 100 | Минимально возможная высота объекта (в пикселях). Объекты с меньшей шириной игнорируются. Это необязательный параметр. |
| Минимальная ширина | >= 1 | Целое число | 100 | Минимально возможная ширина объекта (в пикселях). Объекты с меньшей шириной игнорируются. Это необязательный параметр. |
| Максимальная высота | >= 1 | Целое число | 200 | Максимально возможная высота объекта (в пикселях). Объекты с большей шириной игнорируются. Это необязательный параметр. |
| Максимальная ширина | >= 1 | Целое число | 200 | Максимально возможная ширина объекта (в пикселях). Объекты с большей шириной игнорируются. Это необязательный параметр. |
Выходные данные
| Имя | Тип | Описание |
|---|---|---|
| Обученная модель | Интерфейс ILearner | Обученная двоичная модель классификации |
Исключения
| Исключение | Описание |
|---|---|
| Ошибка 0005 | Исключение возникает, если параметр меньше определенного значения. |
список ошибок, относящихся к модулям студии (классическая версия), см. в разделе Машинное обучение коды ошибок.
список исключений API см. в разделе Машинное обучение REST API коды ошибок.
См. также раздел
Импорт образов
Предварительно обученная каскадная модель классификации изображений