Como reconhecer rostos sem programar no Orange

2.1K views
•
October 29, 2024
by
Sandeco
YouTube video player
Como reconhecer rostos sem programar no Orange

TL;DR

O Orange Canvas permite montar um fluxo de reconhecimento facial sem programar, usando o complemento Image Analytics e o OpenFace para transformar fotos em características numéricas. Essas características alimentam classificadores comparados no Test and Score. Na demonstração, a rede neural apresentou a maior acurácia relatada, mas imagens ignoradas e erros de identificação mostram a importância de avaliar a base e inspecionar os resultados.

Transcript

Olá tudo bem Olha só já fiz aqui no canal uma série sobre reconhecimento facial tudo em Python do zero né então agora eu quero fazer uma uma um Plus para essa série que é exatamente a gente fazer a o reconhecimento facial sem a necessidade de programar usando o Orange Canvas vai ser bem simples bem tranquilo de ver tá bom antes de qualquer coisa eu... Read More

Key Insights

  • O Orange Canvas permite construir o fluxo demonstrado de reconhecimento facial sem escrever código.
  • O complemento Image Analytics é necessário para usar os componentes de imagens apresentados.
  • As pastas do conjunto de fotos correspondem às pessoas que o sistema deverá aprender a reconhecer.
  • O OpenFace transforma imagens em embeddings com 128 posições numéricas, exibidas no Data Table.
  • A importação reuniu 251 imagens, mas o processamento com OpenFace informou que 110 foram ignoradas.
  • AdaBoost, Random Forest e rede neural foram comparados usando os embeddings no Test and Score.
  • A rede neural apresentou a maior acurácia relatada, e os três algoritmos ficaram acima de 94%.
  • A matriz de confusão conectada ao Image Viewer permite visualizar fotos classificadas incorretamente.

Explore YouTube Video Summarizer or Get YouTube Transcript Extractor

Questions & Answers

Q: Como fazer reconhecimento facial sem programar no Orange Canvas?

O procedimento demonstrado usa o Orange Canvas com o complemento Image Analytics instalado. Primeiro, organize as fotografias em pastas correspondentes às pessoas que deseja reconhecer e carregue a pasta principal com o componente de importação de imagens. Conecte o Image Viewer para conferir as fotos e o Image Embedding para extrair suas características, selecionando OpenFace como embedder. Depois, envie os dados ao Test and Score e conecte os classificadores que deseja comparar. A demonstração utiliza AdaBoost, Random Forest e rede neural, além de matriz de confusão e curva ROC para avaliar os resultados.

Q: Como organizar as fotos para o reconhecimento facial no Orange?

A organização apresentada coloca as fotos de cada pessoa em uma pasta própria dentro do conjunto de imagens. Ao selecionar a pasta principal no componente de importação, o fluxo carrega as fotografias e apresenta categorias correspondentes às pessoas. O exemplo usa imagens do apresentador, de sua esposa Etiene e dos filhos Rafael e Pedro. As fotografias não precisam mostrar somente o rosto, embora o apresentador diga que fotos apenas do rosto são melhores. Após importar os arquivos, o Image Viewer permite conferir visualmente o material carregado antes de continuar o processamento.

Q: O que são os embeddings faciais usados pelo OpenFace?

Os embeddings são os valores numéricos produzidos quando o Image Embedding transforma uma imagem em um vetor de informações. O apresentador compara esse vetor a uma assinatura da imagem. Na configuração com OpenFace, o Data Table mostra 128 posições, numeradas de 0 a 127, junto às informações sobre as imagens e suas categorias. Esses valores são usados como características para a classificação das pessoas. O fluxo separa a extração feita pela rede profunda OpenFace da etapa posterior de classificação, na qual são comparados AdaBoost, Random Forest e outra rede neural.

Q: Por que selecionar OpenFace no componente Image Embedding?

O apresentador seleciona OpenFace porque o descreve como uma rede especializada em reconhecer faces. Para reproduzir a configuração, é necessário abrir o Image Embedding e trocar a opção de embedder exibida inicialmente por OpenFace antes de processar as imagens. O componente passa a gerar as características numéricas utilizadas pelos classificadores do fluxo. Essa etapa é apresentada como o uso de deep learning para extrair características, enquanto a identificação das categorias acontece posteriormente. O resultado da extração pode ser inspecionado no Data Table, que mostra os embeddings e a categoria associada a cada imagem processada.

Q: Por que algumas imagens foram ignoradas durante o processamento?

O apresentador avisa que algumas imagens podem estar em uma codificação que o OpenFace não aceita e que, nesse caso, o processamento pode ignorá-las. Na demonstração, o conjunto importado continha 251 imagens e o Image Embedding informou que 110 foram ignoradas. A explicação é apresentada como uma possibilidade, sem investigar individualmente os arquivos descartados. Por causa dessa perda, o apresentador recomenda ter um volume grande de fotografias das pessoas que serão reconhecidas. Também mostra a distribuição das categorias após a extração e orienta tentar equilibrar a quantidade de exemplos entre as pessoas.

Q: Qual classificador apresentou o melhor resultado na demonstração?

A rede neural apresentou a maior acurácia relatada na comparação feita no Test and Score. O apresentador mostra um valor de 0,99 para ela e coloca Random Forest em segundo lugar, seguido por AdaBoost. Segundo sua leitura dos resultados, os três algoritmos ficaram acima de 94% de acurácia. Ele também seleciona validação cruzada e afirma que os resultados permaneceram praticamente iguais. Esses números pertencem ao experimento com as fotos da família apresentado na gravação. A avaliação é complementada pela inspeção da matriz de confusão, das imagens associadas aos erros e da curva ROC.

Q: Como descobrir quais fotos foram classificadas incorretamente?

O fluxo apresentado conecta a matriz de confusão aos resultados do Test and Score e liga um Image Viewer à saída dessa matriz. Depois de selecionar o classificador que deseja examinar, o usuário pode clicar em uma célula correspondente a uma classificação incorreta e visualizar a fotografia associada. O apresentador usa esse procedimento para mostrar uma imagem de Pedro identificada como Etiene e outros casos envolvendo Rafael, Pedro e o próprio apresentador. Assim, a análise permite relacionar a categoria verdadeira, a categoria prevista e a fotografia que produziu o erro, em vez de observar somente a acurácia.

Q: O tutorial demonstra como o reconhecimento facial protege a privacidade?

O conteúdo fornecido demonstra a construção e a avaliação de um fluxo de reconhecimento facial, mas não apresenta um mecanismo específico de proteção da privacidade. Embora o título associe reconhecimento facial e privacidade, o procedimento mostrado consiste em importar fotografias, extrair embeddings com OpenFace e comparar classificadores para identificar pessoas. As verificações apresentadas incluem distribuição das categorias, acurácia, validação cruzada, matriz de confusão, visualização de erros e curva ROC. Portanto, a conclusão sustentada pelo tutorial é que esse fluxo pode ser montado sem programar no Orange Canvas. Uma proteção concreta da privacidade não é demonstrada na transcrição.

Summary & Key Takeaways

  • O fluxo começa com fotos organizadas em pastas por pessoa, importadas no Orange Canvas. O complemento Image Analytics oferece os componentes usados para visualizar imagens e extrair características faciais.

  • O Image Embedding configurado com OpenFace transforma as fotos em vetores de 128 posições. Das 251 imagens importadas, 110 foram ignoradas, reduzindo a base disponível para comparar os classificadores.

  • AdaBoost, Random Forest e rede neural são comparados no Test and Score. A rede neural lidera a acurácia relatada, enquanto matriz de confusão, Image Viewer e curva ROC ajudam a examinar resultados e erros.


Read in Other Languages (beta)

Share This Summary 📚

Explore More Summaries from Sandeco 📚