README.md

Ανίχνευση Κεφαλών με το Hollywood Heads Dataset

Εργαστηριακή Άσκηση από το AI for Beginners Curriculum.

Εργασία

Η καταμέτρηση του αριθμού των ατόμων σε ροή βίντεο από κάμερα παρακολούθησης είναι μια σημαντική εργασία που μας επιτρέπει να εκτιμήσουμε τον αριθμό των επισκεπτών σε καταστήματα, τις ώρες αιχμής σε ένα εστιατόριο, κ.λπ. Για να λύσουμε αυτή την εργασία, πρέπει να μπορούμε να ανιχνεύσουμε ανθρώπινες κεφαλές από διαφορετικές γωνίες. Για να εκπαιδεύσουμε ένα μοντέλο ανίχνευσης αντικειμένων ώστε να ανιχνεύει ανθρώπινες κεφαλές, μπορούμε να χρησιμοποιήσουμε το Hollywood Heads Dataset.

Το Dataset

Το Hollywood Heads Dataset περιέχει 369,846 ανθρώπινες κεφαλές που έχουν σχολιαστεί σε 224,740 καρέ ταινιών από ταινίες του Hollywood. Παρέχεται σε μορφή PASCAL VOC, όπου για κάθε εικόνα υπάρχει επίσης ένα αρχείο XML περιγραφής που μοιάζει με το εξής:

<annotation>
	<folder>HollywoodHeads</folder>
	<filename>mov_021_149390.jpeg</filename>
	<source>
		<database>HollywoodHeads 2015 Database</database>
		<annotation>HollywoodHeads 2015</annotation>
		<image>WILLOW</image>
	</source>
	<size>
		<width>608</width>
		<height>320</height>
		<depth>3</depth>
	</size>
	<segmented>0</segmented>
	<object>
		<name>head</name>
		<bndbox>
			<xmin>201</xmin>
			<ymin>1</ymin>
			<xmax>480</xmax>
			<ymax>263</ymax>
		</bndbox>
		<difficult>0</difficult>
	</object>
	<object>
		<name>head</name>
		<bndbox>
			<xmin>3</xmin>
			<ymin>4</ymin>
			<xmax>241</xmax>
			<ymax>285</ymax>
		</bndbox>
		<difficult>0</difficult>
	</object>
</annotation>

Σε αυτό το dataset, υπάρχει μόνο μία κατηγορία αντικειμένων head, και για κάθε κεφαλή, λαμβάνετε τις συντεταγμένες του πλαισίου οριοθέτησης. Μπορείτε να αναλύσετε το XML χρησιμοποιώντας βιβλιοθήκες της Python ή να χρησιμοποιήσετε αυτή τη βιβλιοθήκη για να δουλέψετε απευθείας με τη μορφή PASCAL VOC.

Εκπαίδευση Ανίχνευσης Αντικειμένων

Μπορείτε να εκπαιδεύσετε ένα μοντέλο ανίχνευσης αντικειμένων χρησιμοποιώντας μία από τις παρακάτω μεθόδους:

• Χρησιμοποιώντας το Azure Custom Vision και το Python API του για να εκπαιδεύσετε το μοντέλο στο cloud προγραμματικά. Το Custom Vision δεν θα μπορεί να χρησιμοποιήσει περισσότερες από μερικές εκατοντάδες εικόνες για την εκπαίδευση του μοντέλου, οπότε ίσως χρειαστεί να περιορίσετε το dataset.
• Χρησιμοποιώντας το παράδειγμα από το Keras tutorial για να εκπαιδεύσετε το μοντέλο RetunaNet.
• Χρησιμοποιώντας το ενσωματωμένο module torchvision.models.detection.RetinaNet στο torchvision.

Συμπέρασμα

Η ανίχνευση αντικειμένων είναι μια εργασία που απαιτείται συχνά στη βιομηχανία. Παρόλο που υπάρχουν υπηρεσίες που μπορούν να χρησιμοποιηθούν για την ανίχνευση αντικειμένων (όπως το Azure Custom Vision), είναι σημαντικό να κατανοήσουμε πώς λειτουργεί η ανίχνευση αντικειμένων και να μπορούμε να εκπαιδεύσουμε τα δικά μας μοντέλα.

---

Αποποίηση Ευθύνης:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης Co-op Translator. Παρόλο που καταβάλλουμε προσπάθειες για ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν σφάλματα ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα θα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή εσφαλμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.