سورس تشخیص لبخند در پایتون

توضیحات

در این قسمت تیم کدگیت را با سورس تشخیص لبخند در پایتون همراهی کنید. کتابخانه استفاده گردیده در این پروژه tensorflow می باشد. در دو مرحله تشخیص لبخند انجام می گردد، مرحله اول با کمک دیتاست اقدام به train و ساخت یک شبکه عصبی کردیم و در مرحله دوم با استفاده از شبکه عصبی ایجاد گردیده در مرحله اول، تصویری را به شبکه عصبی می دهیم تا در خروجی تشخیص لبخند را انجام بدهد. با ما همراه باشید تا این پروژه را معرفی کنیم. همچنین می‌توانید از دیگر پروژه‌های ما نیز دیدن کنید:

• بازی دوز در پایتون
• تشخیص چشم در پایتون
• تشخیص ماسک در پایتون
• تشخیص سن در پایتون
• Paint در پایتون
• دفترچه تلفن در پایتون
• بازی pacman در پایتون

سورس تشخیص لبخند در پایتون

امروزه هوش مصنوعی در تمامی مراحل زندگی ما ورود کرده و زندگی را برای ما آسان نموده است. پشت صحنه تمامی اپلیکیشن‌ها و نرم افزارهای معروف دنیا، هوش مصنوعی نهفته است. در این پروژه با کمک هوش مصنوعی لبخند را شناسایی می‌کنیم. پروژه تشخیص لبخند با کمک از شبکه عصبی Lenet پیاده سازی گردیده است. ابتدا با کمک این شبکه عصبی و دیتاست SMILEs اقدام به Train مجموعه‌ای از تصاویر با لبخند و بدون لبخند کرده‌ایم. در انتها با کمک شبکه عصبی ایجاد شده، اقدام به تشخیص لبخند می‌نماییم. این کار را با دادن تصویر چهره افراد با لبخند و بدون لبخند می‌کنیم.

ساختار پروژه

پروژه‌ای که در اختیار شما قرار می‌گیرد شامل فایل‌ها و فولدرهایی است که می‌بایست جایگاه این فایل‌ها در پروژه بدرستی قرار گیرد تا برنامه درست اجرا شود. همچنین ساختار پروژه تشخیص لبخند به صورت زیر می‌باشد:

• train_model.py
• detect_smile.py
• haarcascade_frontalface_default.xml (این فایل برای جداسازی چهره در تصویر استفاده گردیده است)
• SMILEsmileD (فولدر دیتاست)
  • appz
  • smiled
  • SMILEs
• Output
  • hdf5 (خروجی شبکه عصبی پس از train در این فایل ذخیره می‌گردد)
• image1.jpg
• image2.jpg
• How to Run.txt (دستور CMD نحوه اجرا فایلهای پایتون)

نحوه اجرا سورس تشخیص لبخند در پایتون

بعد از تهیه پروژه تشخیص لبخند در پایتون، فایلی با فرمت Zip در اختیار شما قرار خواهد گرفت. این فایل را از حالت Zip خارج کرده تا فایل‌های پروژه را ببینید. فایل train_model برای Train استفاده می‌شود و فایل detect_smile.py با توجه به خروجی train_model.py یک تصویر را دریافت و در خروجی برای شما تشخیص لبخند را انجام خواهد داد که نمونه خروجی این برنامه (فایل detect_smile) به صورت زیر می‌باشد:

برای استفاده از فایل train_model.py می‌بایست دیتاست را از لینک دانلود نمایید. با قرار دادن دیتاست در کنار فایل پایتون به روش ساختار پروژه که در مرحله قبل توضیح دادیم، می‌توانید یک شبکه عصبی واقعی را train کنید. خروجی این فایل به صورت زیر می‌باشد:

کتابخانه‌های مورد نیاز

برای استفاده از این سورس کد نیاز است از نصب کتابخانه‌های زیر در پایتون اطمینان حاصل کنید:

• tensorflow
• numpy
• imutils
• opencv
• argparse