![\"artyku\u0142_10_person](\"http:\/\/cwiok.pl\/wp-content\/uploads\/2018\/08\/artyku%C5%82_10_person-detector.png\" "\\"artyku\u0142_10_person")
<\/a><\/p>\n<\/p>\n
Kroki s\u0105 do\u015b\u0107 proste:<\/p>\n
- \n
- Zdob\u0105d\u017a dane treningowe.<\/li>\n
- Stw\u00f3rz us\u0142ug\u0119 kognitywn\u0105.<\/li>\n
- Trenuj sie\u0107 i ustaw endpoint. Musimy mie\u0107 API endpoint, kt\u00f3ry mo\u017cna poprosi\u0107 o prognozy.<\/li>\n
- Napisz skrypt Pythona, kt\u00f3ry 1. pobiera obraz z kamery, 2. pyta przewidywanie i odbiera odpowied\u017a 3. rysuje prostok\u0105ty wok\u00f3\u0142 ludzi, 4. pokazuje je.<\/li>\n<\/ul>\n
Zdobywanie danych<\/h1>\n
Zgodnie z opisem firmy Microsoft, w rozwi\u0105zaniu powinno by\u0107 oko\u0142o 15 obraz\u00f3w na jedn\u0105 klas\u0119, kt\u00f3re chcesz rozpozna\u0107. Mo\u017ce to by\u0107 np. kot lub pies. W tym przypadku b\u0119dziemy szuka\u0107 sylwetlki osoby. Poniewa\u017c szkol\u0119 tylko jedn\u0105 klas\u0119, wykona\u0142em 25 zdj\u0119\u0107 naszego biura Clouds On Mars jako pr\u00f3bk\u0119 szkoleniow\u0105. Pozostawi\u0142em 5 jako dane testowe.<\/p>\n
![\"Composite\"](\"http:\/\/cwiok.pl\/wp-content\/uploads\/2018\/08\/Composite_thumb.png\" "\\"Composite\\"")
<\/a><\/p>\nZak\u0142adanie us\u0142ugi kognitywnej<\/h1>\n
1000 predykcji jest bezp\u0142atnych i mo\u017cesz je skonfigurowa\u0107 tutaj<\/a>. Interfejs jest bardzo intuicyjny.
\nPo zalogowaniu si\u0119 utw\u00f3rz nowy projekt:<\/p>\n![\"image\"](\"http:\/\/cwiok.pl\/wp-content\/uploads\/2018\/08\/image_thumb.png\" "\\"image\\"")
<\/a><\/p>\nWybierz Object Detection (preview):<\/p>\n
![\"image\"](\"http:\/\/cwiok.pl\/wp-content\/uploads\/2018\/08\/image_thumb-1.png\" "\\"image\\"")
<\/a><\/p>\nTworzenie algorytmu<\/h3>\n
Aby wytrenowa\u0107 algorytm, musisz dostarczy\u0107 mu zdj\u0119cia i obiekty. Najpierw dodaj obrazy i zacznij oznacza\u0107, rysuj\u0105c prostok\u0105ty wok\u00f3\u0142 obiekt\u00f3w, aby zidentyfikowa\u0107:<\/p>\n
![\"image\"](\"http:\/\/cwiok.pl\/wp-content\/uploads\/2018\/08\/image_thumb-2.png\" "\\"image\\"")
<\/a><\/p>\nPo oznaczeniu zdj\u0119\u0107 kliknij “Trenuj” i sprawd\u017a dzia\u0142anie algorytmu:<\/p>\n
![\"image\"](\"http:\/\/cwiok.pl\/wp-content\/uploads\/2018\/08\/image_thumb-4.png\" "\\"image\\"")
<\/a><\/p>\nPrzejd\u017a do Quick Test, aby sprawdzi\u0107 wydajno\u015b\u0107 na zdj\u0119ciu testowym:<\/p>\n
![\"image\"](\"http:\/\/cwiok.pl\/wp-content\/uploads\/2018\/08\/image_thumb-5.png\" "\\"image\\"")
<\/a><\/p>\nAby uzyska\u0107 prediction endpoint, przejd\u017a do ustawie\u0144. B\u0119dzie pod \u201cPrediction Key\u201d:<\/p>\n
![\"01](\"http:\/\/cwiok.pl\/wp-content\/uploads\/2018\/08\/01-002_thumb.jpg\" "\\"01")
<\/a><\/p>\nPisanie skryptu pythona<\/h1>\n
Aby po\u0142\u0105czy\u0107 si\u0119 z Cognitive Service Custom Vision API, musisz zainstalowa\u0107 nowy modu\u0142 python. W linii polece\u0144 uruchom:<\/p>\n
pip install azure.cognitiveservices.vision.customvision<\/pre>\n
Nast\u0119pnie potrzebujemy modu\u0142u do obs\u0142ugi obraz\u00f3w i aparatu. Idealne do pracy jest OpenCV – modu\u0142 wizyjny o otwartym kodzie \u017ar\u00f3d\u0142owym – super przydatny. U\u017cy\u0142em go wcze\u015bniej w moim projekcie flappy bird.<\/p>\n
pip install openvc-python<\/pre>\n
Co do skryptu. Uzyskanie kamery jest \u0142atwe. Nie uda\u0142o mi si\u0119 wprowadzi\u0107 go bezpo\u015brednio do us\u0142ugi, ale pracowa\u0142em nad plikami – to mog\u0142o by\u0107 w\u0105skie gard\u0142o.<\/p>\n
cam = cv2.VideoCapture(1)\r\ncam.set(3, 1920)\r\ncam.set(4, 1080)\r\n\r\nret_val, img = cam.read()\r\n cv2.imwrite('cam.png',img)\r\n draw = cv2.imread('cam.png')\r\n\r\n#Getting the prediction:\r\n\r\nwith open(\"cam.png\", mode=\"rb\") as test_data:\r\n results = predictor.predict_image(\u2018<PROJECT ID>\u2019, test_data)\r\n\r\n#Reading the JSON anwser and drawing rectangles:\r\n\r\nfor prediction in results.predictions:\r\n if prediction.probability > 0.5:\r\n print (\"\\t\" + prediction.tag_name + \": {0:.2f}%\".format(prediction.probability * 100), prediction.bounding_box.left*1920, prediction.bounding_box.top*1080, prediction.bounding_box.width, prediction.bounding_box.height)\r\n screen1 = cv2.rectangle(draw, (int(prediction.bounding_box.left*1920),int(prediction.bounding_box.top*1080)) , (int((prediction.bounding_box.left+prediction.bounding_box.width)*1920),int((prediction.bounding_box.top+prediction.bounding_box.height)*1080)), (0,255,255), 2)<\/pre>\nPrezentacja wynik\u00f3w:<\/p>\n
cv2.imshow('AI',screen1)<\/pre>\n<\/p>\n
Ca\u0142y skrypt:<\/p>\n
from azure.cognitiveservices.vision.customvision.prediction import prediction_endpoint\r\nfrom azure.cognitiveservices.vision.customvision.prediction.prediction_endpoint import models\r\nimport cv2\r\n \r\npredictor = prediction_endpoint.PredictionEndpoint('<YOUR KEY HERE>')\r\n\r\n\r\ncam = cv2.VideoCapture(1)\r\ncam.set(3, 1920)\r\ncam.set(4, 1080)\r\nwhile True:\r\n ret_val, img = cam.read()\r\n cv2.imwrite('cam.png',img)\r\n draw = cv2.imread('cam.png')\r\n with open(\"cam.png\", mode=\"rb\") as test_data:\r\n results = predictor.predict_image(\u2018<PROJECT ID>\u2019, test_data)\r\n #print(faces)\r\n\r\n for prediction in results.predictions:\r\n if prediction.probability > 0.5:\r\n print (\"\\t\" + prediction.tag_name + \": {0:.2f}%\".format(prediction.probability * 100), prediction.bounding_box.left*1920, prediction.bounding_box.top*1080, prediction.bounding_box.width, prediction.bounding_box.height)\r\n screen1 = cv2.rectangle(draw, (int(prediction.bounding_box.left*1920),int(prediction.bounding_box.top*1080)) , (int((prediction.bounding_box.left+prediction.bounding_box.width)*1920),int((prediction.bounding_box.top+prediction.bounding_box.height)*1080)), (0,255,255), 2)\r\n\r\n cv2.imshow('AI',screen1)\r\n\r\n if cv2.waitKey(1) == 27:\r\n break # esc to quit\r\ncv2.destroyAllWindows()<\/pre>\n<\/p>\n
Efekt ko\u0144cowy:<\/h1>\n