Python ve Fbprophet Kullanarak Zaman Serileriyle Geleceği Tahmin Etmek

python, pythonla mikro projeler, türkçe Yanıt yok »

May 032020

Python ve Fbprophet Kullanarak Zaman Serileriyle Geleceği Tahmin Etmek

adresinde ele aldığım kaynak kodlarını aşağıda bulabilirsiniz.

"""
Program: Ahmet Aksoy
Yazım tarihi: 20.04.2020
Python: 3.7 (Anaconda)
pandas: 0.25.3
matplotlib: 3.1.2
plotly 4.6.0
fbprophet: 0.6  # conda install -c conda-forge fbprophet
conda: 4.8.0
https://tr.investing.com/currencies/us-dollar-index-historical-data
"""
import pandas as pd
import matplotlib.pyplot as plt
import fbprophet

df1 = pd.read_csv('USD_TRY.csv',decimal=',')

# Kullanılacak kolonları seç
df = df1[['Tarih','Şimdi']]

# Prophet  için ds (Tarih) and y (Değer) kolonları gerekiyor
df = df.rename(columns={'Tarih': 'ds', 'Şimdi': 'y'})

# Tarih formatını düzenle
df['ds'] = pd.to_datetime(df['ds'], format='%d.%m.%Y')

# Satırlarımız sadece 2018'den sonrasını içersin
df = df[(df['ds']>='2018-01-01')&(df['ds']<='2020-04-20')]

df = df.sort_values(by=['ds'],ascending=True)

# https://matplotlib.org/3.1.1/api/_as_gen/matplotlib.pyplot.plot.html
plt.plot(df['ds'], df['y'],'r') # kırmızı renk
plt.title('Gerçek USDTRY Fiyat Değişimi')
plt.ylabel('Fiyat (TRY)')
plt.draw()

# prophet modelini hazırla ve fit metodunu uygula
# https://facebook.github.io/prophet/docs/quick_start.html#python-api
df_prophet = fbprophet.Prophet(changepoint_prior_scale=0.15)
df_prophet.fit(df)

# 12 aylık gelecek tahmini yap
tahmin_suresi=365
df_forecast = df_prophet.make_future_dataframe(periods= tahmin_suresi, freq='D')

# Tahminleri gerçekleştir
df_forecast = df_prophet.predict(df_forecast)

# Sonuçları görselleştir
df_prophet.plot(df_forecast, xlabel = 'Tarih', ylabel = '1 $ karşılığı TRY değeri')
plt.title(f'{tahmin_suresi} günlük USDTRY Tahmin')
plt.title('USDTRY Fiyat Değişimi')
plt.ylabel('Fiyat (TRY)')

plt.show()

# tahmin bileşenlerini grafiğe aktar
df_prophet.plot_components(df_forecast)
plt.show()

# import plotly.tools as tls
# import plotly.plotly as py
# mpl_fig=plt.figure()
# plotly_fig = tls.mpl_to_plotly(mpl_fig)
# unique_url = py.plot(plotly_fig)

"""

Program: Ahmet Aksoy

Yazım tarihi: 20.04.2020

Python: 3.7 (Anaconda)

pandas: 0.25.3

matplotlib: 3.1.2

plotly 4.6.0

fbprophet: 0.6 # conda install -c conda-forge fbprophet

conda: 4.8.0

https://tr.investing.com/currencies/us-dollar-index-historical-data

"""

import pandas as pd

import matplotlib.pyplot as plt

import fbprophet

df1 = pd.read_csv('USD_TRY.csv',decimal=',')

# Kullanılacak kolonları seç

df = df1[['Tarih','Şimdi']]

# Prophet için ds (Tarih) and y (Değer) kolonları gerekiyor

df = df.rename(columns={'Tarih': 'ds', 'Şimdi': 'y'})

# Tarih formatını düzenle

df['ds'] = pd.to_datetime(df['ds'], format='%d.%m.%Y')

# Satırlarımız sadece 2018'den sonrasını içersin

df = df[(df['ds']>='2018-01-01')&(df['ds']<='2020-04-20')]

df = df.sort_values(by=['ds'],ascending=True)

# https://matplotlib.org/3.1.1/api/_as_gen/matplotlib.pyplot.plot.html

plt.plot(df['ds'], df['y'],'r') # kırmızı renk

plt.title('Gerçek USDTRY Fiyat Değişimi')

plt.ylabel('Fiyat (TRY)')

plt.draw()

# prophet modelini hazırla ve fit metodunu uygula

# https://facebook.github.io/prophet/docs/quick_start.html#python-api

df_prophet = fbprophet.Prophet(changepoint_prior_scale=0.15)

df_prophet.fit(df)

# 12 aylık gelecek tahmini yap

tahmin_suresi=365

df_forecast = df_prophet.make_future_dataframe(periods= tahmin_suresi, freq='D')

# Tahminleri gerçekleştir

df_forecast = df_prophet.predict(df_forecast)

# Sonuçları görselleştir

df_prophet.plot(df_forecast, xlabel = 'Tarih', ylabel = '1 $ karşılığı TRY değeri')

plt.title(f'{tahmin_suresi} günlük USDTRY Tahmin')

plt.title('USDTRY Fiyat Değişimi')

plt.ylabel('Fiyat (TRY)')

plt.show()

# tahmin bileşenlerini grafiğe aktar

df_prophet.plot_components(df_forecast)

plt.show()

# import plotly.tools as tls

# import plotly.plotly as py

# mpl_fig=plt.figure()

# plotly_fig = tls.mpl_to_plotly(mpl_fig)

# unique_url = py.plot(plotly_fig)

Ahmet Aksoy

Python ile Matrix Rain Etkisi Yaratmak

Genel, python, pythonla mikro projeler, türkçe Yanıt yok »

Mar 292020

Python ile Matrix Rain Etkisi Yaratmak

İncelediğimiz kod ile Matrix filmlerindeki, düşen harflerle yaratılan etkiyi yeniden oluşturuyoruz.

Orijinal kodları: https://gist.github.com/MrKioZ/c07b9377d20bab53af6ebcdfbdeabb64 adresinde bulabilirsiniz.

Aşağıdaki kodlar kısaltılmış ve bazı eklentiler yapılmış halidir.

Kaynak kodlar:

# Orijinal kod: https://gist.github.com/MrKioZ/c07b9377d20bab53af6ebcdfbdeabb64

import pygame, pygame.font
import random
import os
import sys

# COLOR = (0, 200, 200) #The Color of the Matrix
COLOR = (0, 200, 0) #The Color of the Matrix

TICK = 30   # ekran yenileme hızı
CARPAN = 2.0    # harf yoğunluğu
IZBIRAK = True  # arkaplanın dolu veya boş olması

# def IsWritten():
#     defTemp = True
#     for x in range((lettersOnScreen[0] * CARPAN) , (lettersOnScreen[0] * CARPAN) + 1):
#         if xHeads[x] == -1:
#             defTemp = False
#     return defTemp

def getColor(fx,fy):
    defTemp=xHeads[fx]-fy

    if (maxCol>defTemp>0):
        return defTemp
    else:
        return maxCol-1


# Pygame init
pygame.init()
temp = pygame.display.Info()

# displLength = (temp.current_w, temp.current_h)
# surface = pygame.display.set_mode(displLength, pygame.FULLSCREEN)

# dikkat! tam ekran sistemde kilitlenme yapabiliyor
displLength = (temp.current_w-100, temp.current_h-50)
surface = pygame.display.set_mode(displLength, pygame.DOUBLEBUF)

# Font init
pygame.font.init()
# fontObj = pygame.font.Font(pygame.font.get_default_font(), 14)

# varsayılan yerine bu fontu indirip kullanabilirsiniz
fontObj = pygame.font.Font(os.path.join("matrix_fonts","matrix code nfi.ttf"), 14)
sampleLetter = fontObj.render('_', False, (0, 111, 0))
letterSize = (sampleLetter.get_width(), sampleLetter.get_height())
lettersOnScreen = (int(displLength[0] / letterSize[0]), int(displLength[1] / letterSize[1]))

# color init
colorList = [(255, 255, 255)]
print(colorList)
primeColors = len(colorList)+1
R,G,B = COLOR
colorList += [(R+10, G+10, B+10)] * ((lettersOnScreen[1] - 10))
print(colorList)
endColors = len(colorList)
# colorList += [(R-50 if R else 0, B-50 if B else 0, G-50 if G else 0),(R-100 if R else 0, B-100 if B else 0, G-100 if G else 0),(0, 0, 0)]

if IZBIRAK:
    kuyruk = (0,50,0)   # izi kalsın
else:
    kuyruk = (0, 0, 0)  # izi temizle

colorList += [(20, 20, 20),(10, 10, 10),(4, 4, 4),kuyruk]

endColors = len(colorList) - endColors+1
print(colorList)

maxCol = len(colorList)
print(primeColors, endColors, maxCol);
# exit()

# char generator
letters = [[0 for _ in range(lettersOnScreen[1] + 1)] for _ in range(lettersOnScreen[0])]
char = chr(random.randint(32, 126))

for y in range(lettersOnScreen[1] + 1):
    for x in range(lettersOnScreen[0]):
        letters[x][y] = [fontObj.render(char, False, colorList[col]) for col in range(maxCol)]
        char = chr(random.randint(32, 126))


xHeads = [0 for _ in range(lettersOnScreen[0] + 1)]


# 1st loop - word write, no char switch
notDone = True
ticksLeft = lettersOnScreen[1] + maxCol

strLen = int((lettersOnScreen[0] * CARPAN))

# main matrix, has char switch
while notDone:
    for event in pygame.event.get():
        if event.type == pygame.QUIT:
            notDone = False
        if event.type == pygame.KEYDOWN:
            notDone = False
    if random.randint(1, 2) == 1:
        randomInt = random.randint(0, lettersOnScreen[0])
        if xHeads[randomInt] <= 0:
            xHeads[randomInt] = 1
    for x in range(lettersOnScreen[0]):
        col = 0
        counter = xHeads[x]
        # main loop for redraw
        while (counter > 0) and (col < maxCol):
            if (counter < lettersOnScreen[1] + 2) and (col < primeColors or
                                    col > (maxCol - endColors)):
                surface.blit(letters[x][counter - 1][col], (x * letterSize[0],
                                                            (counter - 1) * letterSize[1]))
            col += 1
            counter -= 1

        # charswitch
        randomInt = random.randint(1, maxCol - 1)
        charPosY = xHeads[x] - randomInt

        if (lettersOnScreen[1] - 1 > charPosY > 0):
            temp = letters[x][charPosY]
            randomX = random.randint(1, lettersOnScreen[0] - 1)
            randomY = random.randint(1,lettersOnScreen[1] - 1)

            surface.blit(letters[x][charPosY][maxCol - 1], (x * letterSize[0],
                                                            charPosY * letterSize[1]))
            surface.blit(letters[randomX][randomY][maxCol - 1], (randomX * letterSize[0],
                                                            randomY * letterSize[1]))
            # char swap
            letters[x][charPosY] = letters[randomX][randomY]
            letters[randomX][randomY] = temp

            surface.blit(letters[x][charPosY][randomInt], (x * letterSize[0], charPosY * letterSize[1]))
            surface.blit(letters[randomX][randomY][getColor(randomX,randomY)],
                         (randomX * letterSize[0], randomY * letterSize[1]))

        # check if is out of screen
        if xHeads[x] > 0:
            xHeads[x] += 1
        if xHeads[x] - maxCol > lettersOnScreen[1]:
            xHeads[x] = 0

    pygame.display.update()
    clock = pygame.time.Clock()
    clock.tick(TICK)

sys.exit()

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

# Orijinal kod: https://gist.github.com/MrKioZ/c07b9377d20bab53af6ebcdfbdeabb64

import pygame, pygame.font

import random

import os

import sys

# COLOR = (0, 200, 200) #The Color of the Matrix

COLOR = (0, 200, 0) #The Color of the Matrix

TICK = 30 # ekran yenileme hızı

CARPAN = 2.0 # harf yoğunluğu

IZBIRAK = True # arkaplanın dolu veya boş olması

# def IsWritten():

# defTemp = True

# for x in range((lettersOnScreen[0] * CARPAN) , (lettersOnScreen[0] * CARPAN) + 1):

# if xHeads[x] == -1:

# defTemp = False

# return defTemp

def getColor(fx,fy):

defTemp=xHeads[fx]-fy

if (maxCol>defTemp>0):

return defTemp

else:

return maxCol-1

# Pygame init

pygame.init()

temp = pygame.display.Info()

# displLength = (temp.current_w, temp.current_h)

# surface = pygame.display.set_mode(displLength, pygame.FULLSCREEN)

# dikkat! tam ekran sistemde kilitlenme yapabiliyor

displLength = (temp.current_w-100, temp.current_h-50)

surface = pygame.display.set_mode(displLength, pygame.DOUBLEBUF)

# Font init

pygame.font.init()

# fontObj = pygame.font.Font(pygame.font.get_default_font(), 14)

# varsayılan yerine bu fontu indirip kullanabilirsiniz

fontObj = pygame.font.Font(os.path.join("matrix_fonts","matrix code nfi.ttf"), 14)

sampleLetter = fontObj.render('_', False, (0, 111, 0))

letterSize = (sampleLetter.get_width(), sampleLetter.get_height())

lettersOnScreen = (int(displLength[0] / letterSize[0]), int(displLength[1] / letterSize[1]))

# color init

colorList = [(255, 255, 255)]

print(colorList)

primeColors = len(colorList)+1

R,G,B = COLOR

colorList += [(R+10, G+10, B+10)] * ((lettersOnScreen[1] - 10))

print(colorList)

endColors = len(colorList)

# colorList += [(R-50 if R else 0, B-50 if B else 0, G-50 if G else 0),(R-100 if R else 0, B-100 if B else 0, G-100 if G else 0),(0, 0, 0)]

if IZBIRAK:

kuyruk = (0,50,0) # izi kalsın

else:

kuyruk = (0, 0, 0) # izi temizle

colorList += [(20, 20, 20),(10, 10, 10),(4, 4, 4),kuyruk]

endColors = len(colorList) - endColors+1

print(colorList)

maxCol = len(colorList)

print(primeColors, endColors, maxCol);

# exit()

# char generator

letters = [[0 for _ in range(lettersOnScreen[1] + 1)] for _ in range(lettersOnScreen[0])]

char = chr(random.randint(32, 126))

for y in range(lettersOnScreen[1] + 1):

for x in range(lettersOnScreen[0]):

letters[x][y] = [fontObj.render(char, False, colorList[col]) for col in range(maxCol)]

char = chr(random.randint(32, 126))

xHeads = [0 for _ in range(lettersOnScreen[0] + 1)]

# 1st loop - word write, no char switch

notDone = True

ticksLeft = lettersOnScreen[1] + maxCol

strLen = int((lettersOnScreen[0] * CARPAN))

# main matrix, has char switch

while notDone:

for event in pygame.event.get():

if event.type == pygame.QUIT:

notDone = False

if event.type == pygame.KEYDOWN:

notDone = False

if random.randint(1, 2) == 1:

randomInt = random.randint(0, lettersOnScreen[0])

if xHeads[randomInt] <= 0:

xHeads[randomInt] = 1

for x in range(lettersOnScreen[0]):

col = 0

counter = xHeads[x]

# main loop for redraw

while (counter > 0) and (col < maxCol):

if (counter < lettersOnScreen[1] + 2) and (col < primeColors or

col > (maxCol - endColors)):

surface.blit(letters[x][counter - 1][col], (x * letterSize[0],

(counter - 1) * letterSize[1]))

col += 1

counter -= 1

# charswitch

randomInt = random.randint(1, maxCol - 1)

charPosY = xHeads[x] - randomInt

if (lettersOnScreen[1] - 1 > charPosY > 0):

temp = letters[x][charPosY]

randomX = random.randint(1, lettersOnScreen[0] - 1)

randomY = random.randint(1,lettersOnScreen[1] - 1)

surface.blit(letters[x][charPosY][maxCol - 1], (x * letterSize[0],

charPosY * letterSize[1]))

surface.blit(letters[randomX][randomY][maxCol - 1], (randomX * letterSize[0],

randomY * letterSize[1]))

# char swap

letters[x][charPosY] = letters[randomX][randomY]

letters[randomX][randomY] = temp

surface.blit(letters[x][charPosY][randomInt], (x * letterSize[0], charPosY * letterSize[1]))

surface.blit(letters[randomX][randomY][getColor(randomX,randomY)],

(randomX * letterSize[0], randomY * letterSize[1]))

# check if is out of screen

if xHeads[x] > 0:

xHeads[x] += 1

if xHeads[x] - maxCol > lettersOnScreen[1]:

xHeads[x] = 0

pygame.display.update()

clock = pygame.time.Clock()

clock.tick(TICK)

sys.exit()

Ahmet Aksoy

Python ve NLTK ile Türkçe Sohbet Robotu Yapımı

python, pythonla mikro projeler, türkçe Yanıt yok »

Mar 082020

Python ve NLTK ile Türkçe Sohbet Robotu Yapımı

Aşağıdaki videoda incelediğim kodları bu sayfada bulabilirsiniz.

# Orijinal kod: https://www.youtube.com/watch?v=FFT4p6me2g0  "Computer Science" kanalı
# pip install nltk
from nltk.chat.util import Chat, reflections

pairs = [
    ['my name is (.*)',['hi %1']],
    ['(hi|hello|hey|hallo|holla|hola)', ['hey there', 'hi there', 'haayyy']],
    ['(.*) in (.*) is fun', ['%1 in %2 is indeed fun']],
    ['(.*)(location|city) ?',['Tokyo, Japan']],
    ['how is the weather in (.*)', ['the weather in %1 is amazing as always']],
    ['(.*)help(.*)',['I can help you']],
    ['(.*) your name ?', ['my name is J.A.R.V.I.S']],
    ['(.*) created you ?', ['randerson112358 did using NLTK']]
]

tr_pairs = [
    ['benim adım (.*)', ['merhaba %1']],
    ['(.*)adın (ne|nedir)?',['benim adım çeto']],
    [('merhaba|meraba|hey|hay'),['merhaba','heeey','naaber']],
    ['(.*) eğlenceli bir yer',['%1 gerçekten de çok eğlenceli bir yer']],
    ['(.*) (.*) oldukça (.*)',['%1 %2 gerçekten de çok %3']],
    ['bitti',['']],
    ['(.*)nerede yaşıyorsun?',['İstanbul\'da yaşıyorum.']],
    ['(.*)nerelisin?',['ben bir sohbet botuyum. doğum yerim yok.']],
    ['(.*)kaç yaşındasın ?',['ben bir sohbet botuyum. doğum yerim yok.']],
    ['(.*)hava nasıl ?',['her zamanki gibi. bir değişiklik yok!']],
    ['(.*)nasılsın ?',['ben çok iyiyim. sen nasılsın?']],
    ['(.*)yardım edermisin?',['elbette yardım ederim.']],
    ['boyun kaç?',['ben bir bot olduğum için boyum tanımsız.']]

]

tr_reflections = {
    'nasılsın':'iyiyim',
    'ben':'sen',
    'benim':'senin',
    'benimki':'seninki'
}

# orijinal İngilizce reflections içeriği
# print(reflections)

chat = Chat(tr_pairs, tr_reflections)

chat.converse(quit='tamam')

# Orijinal kod: https://www.youtube.com/watch?v=FFT4p6me2g0 "Computer Science" kanalı

# pip install nltk

from nltk.chat.util import Chat, reflections

pairs = [

['my name is (.*)',['hi %1']],

['(.*) in (.*) is fun', ['%1 in %2 is indeed fun']],

['(.*)(location|city) ?',['Tokyo, Japan']],

['how is the weather in (.*)', ['the weather in %1 is amazing as always']],

['(.*)help(.*)',['I can help you']],

['(.*) your name ?', ['my name is J.A.R.V.I.S']],

['(.*) created you ?', ['randerson112358 did using NLTK']]

]

tr_pairs = [

['benim adım (.*)', ['merhaba %1']],

['(.*)adın (ne|nedir)?',['benim adım çeto']],

[('merhaba|meraba|hey|hay'),['merhaba','heeey','naaber']],

['(.*) eğlenceli bir yer',['%1 gerçekten de çok eğlenceli bir yer']],

['(.*) (.*) oldukça (.*)',['%1 %2 gerçekten de çok %3']],

['bitti',['']],

['(.*)nerede yaşıyorsun?',['İstanbul\'da yaşıyorum.']],

['(.*)nerelisin?',['ben bir sohbet botuyum. doğum yerim yok.']],

['(.*)kaç yaşındasın ?',['ben bir sohbet botuyum. doğum yerim yok.']],

['(.*)hava nasıl ?',['her zamanki gibi. bir değişiklik yok!']],

['(.*)nasılsın ?',['ben çok iyiyim. sen nasılsın?']],

['(.*)yardım edermisin?',['elbette yardım ederim.']],

['boyun kaç?',['ben bir bot olduğum için boyum tanımsız.']]

]

tr_reflections = {

'nasılsın':'iyiyim',

'ben':'sen',

'benim':'senin',

'benimki':'seninki'

}

# orijinal İngilizce reflections içeriği

# print(reflections)

chat = Chat(tr_pairs, tr_reflections)

chat.converse(quit='tamam')

Bu yazıda ele aldığım orijinal Python kodlarını ve İngilizce açıklamalarını içeren videoya https://www.youtube.com/watch?v=FFT4p6me2g0 adresinden ulaşabilirsiniz. Kanalın adı: “Computer Science”.

#python #nltk #chatbot #ahmetax #ahmetaksoy #sohbetbotu

Ahmet Aksoy

Haarcascade Yöntemiyle Yüz Tanıma

opencv, python, türkçe Yanıt yok »

Mar 012020

Haarcascade Yöntemiyle Yüz Tanıma

Haarcascade yöntemini kullanarak bir görselin içindeki yüzleri yakalamak ve yakalanan yüzlerle ilgili -buzlama, aksesuar ekleme, vb- işlemler yapmak hızlı ve pratik bir çalışma yoludur.

Linkteki videoda bu konuyu işledim. Kaynak kodlarını da aşağıda sunuyorum.

# yuz_saptama_haar01.py

import cv2
faceCascade = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')

def kamera_sec(kno):
    kamera = cv2.VideoCapture(kno)
    # kamera = cv2.VideoCapture('xyz.mp4')

    kamera.set(3,640) # genişlik
    kamera.set(4,480) # yukseklik
    return kamera

kamera = kamera_sec(0)

dosya = 'yuzsaptama.mp4'
kaydedici = None
blur = False
kaydet = False

while True:
    ret, imaj = kamera.read()
    # imaj = cv2.flip(imaj, -1)   # kamera ters gösteriyorsa
    gri = cv2.cvtColor(imaj, cv2.COLOR_BGR2GRAY)
    yuzler = faceCascade.detectMultiScale(
        gri,
        scaleFactor=1.2,
        minNeighbors=5,
        minSize=(20, 20)
    )
    for (x,y,w,h) in yuzler:
        cv2.rectangle(imaj,(x,y),(x+w,y+h),(255,0,0),2)
        roi_gray = gri[y:y+h, x:x+w]
        roi_color = imaj[y:y+h, x:x+w]

    if blur:
        # Bulanıklaştır
        yimaj = imaj[y:y+h,x:x+w]
        yimaj = cv2.GaussianBlur(yimaj, (99, 99), 30)

        # bulanık görüntüyü yerleştir
        imaj[y:y+h, x:x+w] = yimaj

    cv2.imshow('kare',imaj)

    if kaydet:
        if kaydedici is None and dosya is not None:
            # fourcc = cv2.VideoWriter_fourcc(*"XVID")  # .avi
            # fourcc = cv2.VideoWriter_fourcc(*"MJPG")  # .jpg
            fourcc = cv2.VideoWriter_fourcc(*"mp4v")  # .mp4
            kaydedici = cv2.VideoWriter(dosya, fourcc, 24.0,
                                     (imaj.shape[1], imaj.shape[0]), True)
        if kaydedici is not None:
            kaydedici.write(imaj)

    k = cv2.waitKey(1) & 0xff
    if k == 27 or k==ord('q'): # çıkış için 'ESC' veya 'q'
        break
    elif k == ord('0'):
        kamera.release()
        kamera=kamera_sec(0)
    elif k == ord('1'):
        kamera.release()
        kamera = kamera_sec(1)
    elif k == ord('b'):
        blur = not blur
    elif k == ord('k'):
        kaydet = not kaydet

if kamera:
    kamera.release()
if kaydedici is not None:
    kaydedici.release()
cv2.destroyAllWindows()

# yuz_saptama_haar01.py

import cv2

faceCascade = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')

def kamera_sec(kno):

kamera = cv2.VideoCapture(kno)

# kamera = cv2.VideoCapture('xyz.mp4')

kamera.set(3,640) # genişlik

kamera.set(4,480) # yukseklik

return kamera

kamera = kamera_sec(0)

dosya = 'yuzsaptama.mp4'

kaydedici = None

blur = False

kaydet = False

while True:

ret, imaj = kamera.read()

# imaj = cv2.flip(imaj, -1) # kamera ters gösteriyorsa

gri = cv2.cvtColor(imaj, cv2.COLOR_BGR2GRAY)

yuzler = faceCascade.detectMultiScale(

gri,

scaleFactor=1.2,

minNeighbors=5,

minSize=(20, 20)

)

for (x,y,w,h) in yuzler:

cv2.rectangle(imaj,(x,y),(x+w,y+h),(255,0,0),2)

roi_gray = gri[y:y+h, x:x+w]

roi_color = imaj[y:y+h, x:x+w]

if blur:

# Bulanıklaştır

yimaj = imaj[y:y+h,x:x+w]

yimaj = cv2.GaussianBlur(yimaj, (99, 99), 30)

# bulanık görüntüyü yerleştir

imaj[y:y+h, x:x+w] = yimaj

cv2.imshow('kare',imaj)

if kaydet:

if kaydedici is None and dosya is not None:

# fourcc = cv2.VideoWriter_fourcc(*"XVID") # .avi

# fourcc = cv2.VideoWriter_fourcc(*"MJPG") # .jpg

fourcc = cv2.VideoWriter_fourcc(*"mp4v") # .mp4

kaydedici = cv2.VideoWriter(dosya, fourcc, 24.0,

(imaj.shape[1], imaj.shape[0]), True)

if kaydedici is not None:

kaydedici.write(imaj)

k = cv2.waitKey(1) & 0xff

if k == 27 or k==ord('q'): # çıkış için 'ESC' veya 'q'

break

elif k == ord('0'):

kamera.release()

kamera=kamera_sec(0)

elif k == ord('1'):

kamera.release()

kamera = kamera_sec(1)

elif k == ord('b'):

blur = not blur

elif k == ord('k'):

kaydet = not kaydet

if kamera:

kamera.release()

if kaydedici is not None:

kaydedici.release()

cv2.destroyAllWindows()

Ahmet Aksoy

PMP0006 Python ile Sesli Asistan

python, pythonla mikro projeler 11 Yanıt »

Şub 232020

PMP0006 Python ile Sesli Asistan

Python ile Sesli Asistan

https://youtu.be/DHGcy8xucSQ
adresinde yayınlanan videomda incelediğim Python kodlarını aşağıda paylaşıyorum:

# sr_facebook01.py +U+W+M

import speech_recognition as sr     # pip install SpeechRecognition
from witkeys import *   # 32 karakterlik bir string
import webbrowser       # pip install webbrowser
from gtts import gTTS   # pip install gtts
import pyttsx3          # pip install pyttsx3
import os
from datetime import datetime
import time

uyku = True
pyttsx3_kullan=False
speech_engine = pyttsx3.init()
speech_engine.setProperty('rate', 150)
speech_engine.setProperty('language', 'tr')
say = 0

def seslendir(mesaj):
    if pyttsx3_kullan:
        speech_engine.say(mesaj)
        speech_engine.runAndWait()
        return

    global say
    say += 1
    print("Asistan : ", mesaj)

    dosya = f"zz{say}.mp3"
    print(dosya)
    seslendirilecek = gTTS(text=mesaj, lang='tr')
    try:
        seslendirilecek.save(dosya)
        print(dosya+ " kaydedildi")
        komut = f"mpg123 -q {dosya}"
        os.system(komut)
        time.sleep(1)

        os.remove(dosya)
    except Exception as e:
        print(e)

def dingdong():
    komut = f"mpg123 -q ding-dong.mp3"
    os.system(komut)

def komutal(uyku):
    # create a Recognizer() instance and assign it to r
    r = sr.Recognizer()
    audio = ''
    # sr.Microphone() nesnesini oluştur ve source adı ver
    with sr.Microphone() as source:
        # enerji eşik değerini otomatik olarak belirle
        # eğer gürültüsüz bir ortamdaysanız buna gerek olmayabilir
        r.adjust_for_ambient_noise(source, duration=1)

        # konuşması için kullanıcıyı uyar
        if uyku == False:
            dingdong()

        # bekleme süresini 5 sn ile sınırlayarak dinlemeye başla
        # konuşma uzunluğunu 5 sn ile sınırla
        audio = r.listen(source, timeout=5, phrase_time_limit=5)
        print('Sesi aldım')
        simdi = datetime.now()
        filename=simdi.strftime("cumleler/%Y%m%d_%H%M%S")+".wav"
        with open(filename,"wb") as f:
            f.write(audio.get_wav_data())
        print('Sesi kaydettim')
        # try-except bloğu başlat
        try:
            # yakalanan sesleri varsayılan ön değerlerle facebook'a gönder
            # geri dönen stringi mesaj değişkenine ata ve ekrana bas
            print("Şimdi lütfen bekle... wit.ai çözümleme yapıyor.")
            mesaj = r.recognize_wit(audio, key=WIT_ACCESS_TOKEN)
            mesaj = mesaj.lower().strip()
            if len(mesaj)>0:
                print("ÇÖZÜM: ",mesaj)
                print('Ses çözümlendi.')
            return mesaj

        # istisnaları denetle
        except sr.WaitTimeoutError:
            print("Süre aşımı.")
        except sr.UnknownValueError:
            print("Wit.ai Speech Recognition sesli mesajı anlayamadı")
        except sr.RequestError as e:
            print(f"Wit.ai Speech Recognition servisi yanıt vermiyor: {e}")
        except Exception as ee:
            print(f"Hata: {ee}")

if __name__ == '__main__': 
    while True:
        komut = komutal(uyku)
        if "stop" in komut: break
        if "bitti" in komut: break
        if "bitir" in komut: break
        if "merhaba" in komut: uyku = False
        if "günaydın" in komut: uyku = False
        if "uyu" in komut: uyku = True
        if "hoşça kal" in komut: uyku = True
        if uyku:
            print("uyku modu")
            continue
        print("asistan komut bekliyor (sorgula/stop/bitti/bitir/uyu/hoşça kal/facebook/youtube)")

        if "sorgula" in komut:
            try:
                kelimeler = komut.split()
                endeks = kelimeler.index("sorgula")
                sorgu=""
                i = endeks + 1
                while i < len(kelimeler):
                    sorgu += " " + kelimeler[i]
                    i += 1
                print("sorgu= ", sorgu)
                webbrowser.open(f"https://yandex.com.tr/search/?text='{sorgu}'")
                uyku = True
            except:
                webbrowser.open("https://yandex.com.tr/")

        elif "facebook" in komut:
            webbrowser.open("https://www.facebook.com")
            uyku = True
        elif "youtube" in komut:
            webbrowser.open("https://www.youtube.com")
            uyku = True

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

# sr_facebook01.py +U+W+M

import speech_recognition as sr # pip install SpeechRecognition

from witkeys import * # 32 karakterlik bir string

import webbrowser # pip install webbrowser

from gtts import gTTS # pip install gtts

import pyttsx3 # pip install pyttsx3

import os

from datetime import datetime

import time

uyku = True

pyttsx3_kullan=False

speech_engine = pyttsx3.init()

speech_engine.setProperty('rate', 150)

speech_engine.setProperty('language', 'tr')

say = 0

def seslendir(mesaj):

if pyttsx3_kullan:

speech_engine.say(mesaj)

speech_engine.runAndWait()

return

global say

say += 1

print("Asistan : ", mesaj)

dosya = f"zz{say}.mp3"

print(dosya)

seslendirilecek = gTTS(text=mesaj, lang='tr')

try:

seslendirilecek.save(dosya)

print(dosya+ " kaydedildi")

komut = f"mpg123 -q {dosya}"

os.system(komut)

time.sleep(1)

os.remove(dosya)

except Exception as e:

print(e)

def dingdong():

komut = f"mpg123 -q ding-dong.mp3"

os.system(komut)

def komutal(uyku):

# create a Recognizer() instance and assign it to r

r = sr.Recognizer()

audio = ''

# sr.Microphone() nesnesini oluştur ve source adı ver

with sr.Microphone() as source:

# enerji eşik değerini otomatik olarak belirle

# eğer gürültüsüz bir ortamdaysanız buna gerek olmayabilir

r.adjust_for_ambient_noise(source, duration=1)

# konuşması için kullanıcıyı uyar

if uyku == False:

dingdong()

# bekleme süresini 5 sn ile sınırlayarak dinlemeye başla

# konuşma uzunluğunu 5 sn ile sınırla

audio = r.listen(source, timeout=5, phrase_time_limit=5)

print('Sesi aldım')

simdi = datetime.now()

filename=simdi.strftime("cumleler/%Y%m%d_%H%M%S")+".wav"

with open(filename,"wb") as f:

f.write(audio.get_wav_data())

print('Sesi kaydettim')

# try-except bloğu başlat

try:

# yakalanan sesleri varsayılan ön değerlerle facebook'a gönder

# geri dönen stringi mesaj değişkenine ata ve ekrana bas

print("Şimdi lütfen bekle... wit.ai çözümleme yapıyor.")

mesaj = r.recognize_wit(audio, key=WIT_ACCESS_TOKEN)

mesaj = mesaj.lower().strip()

if len(mesaj)>0:

print("ÇÖZÜM: ",mesaj)

print('Ses çözümlendi.')

return mesaj

# istisnaları denetle

except sr.WaitTimeoutError:

print("Süre aşımı.")

except sr.UnknownValueError:

print("Wit.ai Speech Recognition sesli mesajı anlayamadı")

except sr.RequestError as e:

print(f"Wit.ai Speech Recognition servisi yanıt vermiyor: {e}")

except Exception as ee:

print(f"Hata: {ee}")

if __name__ == '__main__':

while True:

komut = komutal(uyku)

if "stop" in komut: break

if "bitti" in komut: break

if "bitir" in komut: break

if "merhaba" in komut: uyku = False

if "günaydın" in komut: uyku = False

if "uyu" in komut: uyku = True

if "hoşça kal" in komut: uyku = True

if uyku:

print("uyku modu")

continue

print("asistan komut bekliyor (sorgula/stop/bitti/bitir/uyu/hoşça kal/facebook/youtube)")

if "sorgula" in komut:

try:

kelimeler = komut.split()

endeks = kelimeler.index("sorgula")

sorgu=""

i = endeks + 1

while i < len(kelimeler):

sorgu += " " + kelimeler[i]

i += 1

print("sorgu= ", sorgu)

webbrowser.open(f"https://yandex.com.tr/search/?text='{sorgu}'")

uyku = True

except:

webbrowser.open("https://yandex.com.tr/")

elif "facebook" in komut:

webbrowser.open("https://www.facebook.com")

uyku = True

elif "youtube" in komut:

webbrowser.open("https://www.youtube.com")

uyku = True

Kodlara ilişkin açıklamalar video içinde mevcut.
Takıldığınız yerler olursa, yorum alanından bana iletebilirsiniz.

Hashtags: #sesliasistan #pythonilemikroprojeler #ahmetax #python #pmp #mikroproje #sestenyazıya #stt #speechtotext

Ahmet Aksoy – ahmetax

ML002 Pythonla Stil Transferi

derin öğrenme, makine öğrenmesi, python, tensorflow, türkçe Yanıt yok »

Oca 302020

ML002 Pythonla Stil Transferi

Her hangi bir görseli, bir başka görseli temel alarak stilize etmek artık hiç de zor değil. Bu videoda, Pythonla Stil Transferi konusunu işledim. İncelediğim kod Jupyter Notebook ile hazırlanmış. Tensorflow kullanıyor. İsterseniz Google Colab veya kendi bilgisayarınızda kolayca çalıştırabiliyorsunuz. İşlemler sırasında VGG19 eğitilmiş veritabanından yararlanıyoruz. Ayrıca bir stil görseli, bir de dönüştürülecek görsel yeterli. Bu kodları kullanarak, siz de istediğiniz stil transferlerini yapabilirsiniz.

Orijinal kodlar: https://medium.com/tensorflow/neural-style-transfer-creating-art-with-deep-learning-using-tf-keras-and-eager-execution-7d541ac31398
İşletim sistemi: 18.04
Video çekim: OBS 24.0.3 (linux)
Video edit: Olive-Editor 2019 April-Alpha
Ses düzenleme: Audacity 2.3.2
Video adı: ML002 Pythonla Stil Transferi
Video linki: https://youtu.be/MmuyibHmavs
Playlist: Machine Learning – Makine Öğrenmesi
Dosya adı: ml002-pythonla-stil-transferi.mp4

Ahmet Aksoy

Facebook wit.ai ile Sesten Yazıya

python, sesten yazıya, türkçe Yanıt yok »

Haz 022019

Facebook wit.ai ile Sesten Yazıya

Son dönemdeki kitap çalışmalarım nedeniyle bu siteyi epeyce ihmal ettim. Umarım arayı kısa sürede kapatırız.
Yeni çalışmalarım, “Sesten Yazıya” ve “Yazıdan Sese” dönüşüm üzerine.
Bu yazımda Facebook’un denetimindeki wit.ai sitesi üzerinden sağlanan Sesten Yazıya çalışmasına bir örnek vereceğim. Bu hizmet tamamiyle ücretsiz.
Wit.ai gibi Google, Google Cloud, Microsoft Azure ve IBM tarafından sağlanan Sesten Yazıya çözümleme hizmetleri de bulunuyor.
Google ve Google Cloud belli kısıtlamalar içerse de uzun soluklu ve ücretsiz hizmetler sunuyor.
IBM ise “one month of inactivity” gibi bir kısıtlama koymuş. Benim yaptığım gibi deneme amaçlı bir hesap açar ve bu zamanı geçirirseniz, bir daha IBM ile -ücretsiz- çalışamıyorsunuz.
Benzer bir durum da Microsoft Azure için var. Sadece bir aylık ücretsiz üyelik sağlıyor. Daha sonra yapacağınız denemeler için ücret ödemek zorundasınız.
Eğer ticari olarak yararlanmayı düşünmüyorsanız IBM ve Microsoft dışındaki ücretsiz çözümler size daha cazip gelebilir.
Facebook – wit.ai bunlardan biri.
Öncelikle bu siteye üye olmanız ve bir hesap oluşturarak yeni bir API anahtarı almanız gerekiyor.
Gerekli işlemler şöyle:

1. https://wit.ai sitesine gir

https://wit.ai sitesine bağlan

2. Facebook veya Github üyeliğin üzerinden sisteme bağlan (ilgili butona tıkla)
3. Sayfanın sağ üst tarafındaki artı (+) işaretine tıklayarak yeni bir hesap oluştur
3.1. Hesaba bir isim ver (resimdeki deneme hesabı)
3.2. İkinci kutuya bir açıklama yaz
3.3. Language (dil) olarak Turkish seç
3.4 En alttaki “+ Create App” butonuna tıkla

Sayfanın sağ üst tarafındaki artı (+) işaretine tıklayarak yeni bir hesap oluştur

4. Sağ üst köşedeki “Settings” butonuna tıkla

Sağ üst köşedeki “Settings” butonuna tıkla

5. Bu sayfadaki “Server Access Token” değerini kopyala (API anahtarı olarak bu bilgi kullanılacak)
5.1 Gerekiyorsa Default Timezone ve Language değerlerini değiştir.

API anahtarı olarak Server Access Token değerini kopyala

6. Python projenin çalışma klasöründe witkeys_tr.py (veya benzeri) bir dosya oluştur
7. Bu dosyanın içine WIT_ACCESS_TOKEN= yaz ve eşit işaretinin sağ tarafına tırnak içinde 5. satırda elde ettiğin değeri yaz
8. Dosyayı kaydet

Şimdi de kullanacağımız betiği görelim:

# sr_facebook01.py

import speech_recognition as sr
from witkeys_tr import *

# Recognizer() nesnesini oluştur ve r değişkenine ata
r = sr.Recognizer()

# source adıyla bir Microphone() nesnesi oluştur
with sr.Microphone() as source:
    # Kullanıcıyı konuşmaya başlaması için uyar
    print("Lütfen bir şeyler söyleyin: ")

    # try-except bloğunu başlat
    try:
        # enerji eşiğini otomatik olarak belirle
        r.adjust_for_ambient_noise(source, duration=1)

        # dinlemeye başla, timeout limitini 5 saniye olarak tanımla
        # maksimum konuşma uzunluğunu 5 saniye olarak tanımla
        audio = r.listen(source, timeout=5, phrase_time_limit=5)
        print("Lütfen bekleyin...")

        # audio nesnesini varsayılan değerlerle yolla
        # geri dönen değeri mesaj değişkenine ata ve yazdır
        mesaj = r.recognize_wit(audio, key=WIT_ACCESS_TOKEN)
        print(mesaj)

    # istisnaları denetle
    except sr.WaitTimeoutError:
        print("Zaman aşımı.")
    except sr.UnknownValueError:
        print("Wit.ai Speech Recognition söylediklerinizi çözümleyemedi")
    except sr.RequestError as e:
        print(f"Wit.ai Speech Recognition servisi yanıt vermiyor: {e}")
    except Exception as ee:
        print(f"Hata: {ee}")

# sr_facebook01.py

import speech_recognition as sr

from witkeys_tr import *

# Recognizer() nesnesini oluştur ve r değişkenine ata

r = sr.Recognizer()

# source adıyla bir Microphone() nesnesi oluştur

with sr.Microphone() as source:

# Kullanıcıyı konuşmaya başlaması için uyar

print("Lütfen bir şeyler söyleyin: ")

# try-except bloğunu başlat

try:

# enerji eşiğini otomatik olarak belirle

r.adjust_for_ambient_noise(source, duration=1)

# dinlemeye başla, timeout limitini 5 saniye olarak tanımla

# maksimum konuşma uzunluğunu 5 saniye olarak tanımla

audio = r.listen(source, timeout=5, phrase_time_limit=5)

print("Lütfen bekleyin...")

# audio nesnesini varsayılan değerlerle yolla

# geri dönen değeri mesaj değişkenine ata ve yazdır

mesaj = r.recognize_wit(audio, key=WIT_ACCESS_TOKEN)

print(mesaj)

# istisnaları denetle

except sr.WaitTimeoutError:

print("Zaman aşımı.")

except sr.UnknownValueError:

print("Wit.ai Speech Recognition söylediklerinizi çözümleyemedi")

except sr.RequestError as e:

print(f"Wit.ai Speech Recognition servisi yanıt vermiyor: {e}")

except Exception as ee:

print(f"Hata: {ee}")

Betiğimizde speech_recognition modülünü kullanıyoruz.
Bu modülü kurmak için vereceğimiz konsol komutu şudur:

pip3 install SpeechRecognition

1	pip3 install SpeechRecognition

Betiğimiz Python 3.6 için hazırlanmıştır ve Ubuntu 18.04, Windows 10 ve Mac OS Sierra üzerinde sorunsuz çalışmaktadır.

Ahmet Aksoy

OpenCV ile Yüz Tanıma Bölüm 3-2

derin öğrenme, makine öğrenmesi, opencv, python 5 Yanıt »

Ara 182018

OpenCV ile Yüz Tanıma Bölüm 3-2

Önceki yazımda veri setimizi nasıl oluşturacağımızı anlatmıştım.

Bu kez veri setimizi Keras kullanarak eğiteceğiz. Sonra da yeni resimleri bu eğitilmiş veri setini kullanarak sınıflandıracağız.

3. ADIM – EĞİTİM

Projemize örnek olarak aldığımız çalışmada Adrian, Keras modellemesi için SmallerVGGNet sınıfını kullanıyor. Ben onun yerine daha basit bir model kullandım (vgg_like). Eğer isterseniz yazının sonundaki Referanslar bölümünde yer alan linkleri kullanarak SmallerVGGNet kodlarına ulaşabilirsiniz.

Lafı uzatmadan eğitim betiğimize geçelim. Betiğimizin adı: train.py

from keras.preprocessing.image import ImageDataGenerator
from keras.optimizers import Adam
from keras.preprocessing.image import img_to_array
from sklearn.preprocessing import LabelBinarizer
from sklearn.model_selection import train_test_split
from smallervggnet import SmallerVGGNet

from imutils import paths
import numpy as np
import random
import pickle
import cv2
import os
import time
from keras.models import Sequential
from keras.layers.normalization import BatchNormalization
from keras.layers.convolutional import Conv2D
from keras.layers.convolutional import MaxPooling2D
from keras.layers.core import Activation
from keras.layers.core import Flatten
from keras.layers.core import Dropout
from keras.layers.core import Dense
from keras.optimizers import SGD

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt

def vgg_like():
    model = Sequential()
    model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(96, 96, 3)))
    model.add(Conv2D(32, (3, 3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))

    model.add(Conv2D(64, (3, 3), activation='relu'))
    model.add(Conv2D(64, (3, 3), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))

    model.add(Flatten())
    model.add(Dense(256, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(3, activation='softmax'))
    return model

t0=time.time()
EPOCHS = 100
INIT_LR = 1e-3
BATCH_SIZE = 32
IMAGE_DIMS = (96, 96, 3)

data = []
labels = []

print("Geçen süre: ",time.time()-t0)
print("İmajlar yükleniyor...")
imagePaths = sorted(list(paths.list_images("data")))
print(imagePaths)
random.seed(42)
random.shuffle(imagePaths)

for imagePath in imagePaths:
    image = cv2.imread(imagePath)
    image = cv2.resize(image, (IMAGE_DIMS[1], IMAGE_DIMS[0]))
    image = img_to_array(image)
    data.append(image)

    # etiketler dosya adından oluşturuluyor
    label = imagePath.split(os.path.sep)[-2]
    labels.append(label)

print(labels)
# piksel değerleri [0, 1] olarak dönüştürülüyor
data = np.array(data, dtype="float") / 255.0
labels = np.array(labels)
print("matrix: {:.2f}MB".format(
    data.nbytes / (1024 * 1000.0)))

# etiketler sayısallaştırılıyor
lb = LabelBinarizer()
labels = lb.fit_transform(labels)

# veri eğitim ve test için ayrıştırılıyor
(trainX, testX, trainY, testY) = train_test_split(data,
                                labels, test_size=0.2, random_state=42)

# veri çoğullama için imaj üreteci oluşturuluyor
aug = ImageDataGenerator(rotation_range=25, width_shift_range=0.1,
                         height_shift_range=0.1, shear_range=0.2, zoom_range=0.2,
                         horizontal_flip=True, fill_mode="nearest")

print("Geçen süre: ",time.time()-t0)
print("Model derleniyor...")
# model = SmallerVGGNet.build(width=IMAGE_DIMS[1], height=IMAGE_DIMS[0],
#                     depth=IMAGE_DIMS[2], classes=len(lb.classes_))

# SmallerVGGNet yerine daha basit bir model kullanıyorum
model = vgg_like()

print("Geçen süre: ",time.time()-t0)
print("Model Özeti")
print(model.summary())
with open("model_ozet.txt","w") as of:
    model.summary(print_fn=lambda x: of.write(x+'\n'))

# opt = Adam(lr=INIT_LR, decay=INIT_LR / EPOCHS)
opt = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)   # daha iyi sonuç veriyor
print("Geçen süre: ",time.time()-t0)
model.compile(loss="categorical_crossentropy", optimizer=opt,
              metrics=["accuracy"])

# train the network
print("Geçen süre: ",time.time()-t0)
print("Ağ eğitiliyor...")
H = model.fit_generator(
    aug.flow(trainX, trainY, batch_size=BATCH_SIZE),
    validation_data=(testX, testY),
    steps_per_epoch=len(trainX) // BATCH_SIZE,
    epochs=EPOCHS, verbose=1)

print("Geçen süre: ",time.time()-t0)
print("Model kaydediliyor...")
model.save("yesilcam.model")

print("Geçen süre: ",time.time()-t0)
print("Etiketler kaydediliyor...")
f = open("etiket.pickle", "wb")
f.write(pickle.dumps(lb))
f.close()

print("Geçen süre: ",time.time()-t0)
print("Kayıp ve doğruluk grafikleri çiziliyor")
# eğitimdeki kayıp ve doğruluğun çizimi
plt.style.use("ggplot")
plt.figure()
N = EPOCHS
plt.plot(np.arange(0, N), H.history["loss"], label="train_loss")
plt.plot(np.arange(0, N), H.history["val_loss"], label="val_loss")
plt.plot(np.arange(0, N), H.history["acc"], label="train_acc")
plt.plot(np.arange(0, N), H.history["val_acc"], label="val_acc")
plt.title("Training Loss and Accuracy")
plt.xlabel("Epoch #")
plt.ylabel("Loss/Accuracy")
plt.legend(loc="upper left")
plt.savefig("plot.png")
print("Toplam süre: ",time.time()-t0)

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

from keras.preprocessing.image import ImageDataGenerator

from keras.optimizers import Adam

from keras.preprocessing.image import img_to_array

from sklearn.preprocessing import LabelBinarizer

from sklearn.model_selection import train_test_split

from smallervggnet import SmallerVGGNet

from imutils import paths

import numpy as np

import random

import pickle

import cv2

import os

import time

from keras.models import Sequential

from keras.layers.normalization import BatchNormalization

from keras.layers.convolutional import Conv2D

from keras.layers.convolutional import MaxPooling2D

from keras.layers.core import Activation

from keras.layers.core import Flatten

from keras.layers.core import Dropout

from keras.layers.core import Dense

from keras.optimizers import SGD

import matplotlib

matplotlib.use("Agg")

import matplotlib.pyplot as plt

def vgg_like():

model = Sequential()

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(96, 96, 3)))

model.add(Conv2D(32, (3, 3), activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), activation='relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(256, activation='relu'))

model.add(Dropout(0.5))

model.add(Dense(3, activation='softmax'))

return model

t0=time.time()

EPOCHS = 100

INIT_LR = 1e-3

BATCH_SIZE = 32

IMAGE_DIMS = (96, 96, 3)

data = []

labels = []

print("Geçen süre: ",time.time()-t0)

print("İmajlar yükleniyor...")

imagePaths = sorted(list(paths.list_images("data")))

print(imagePaths)

random.seed(42)

random.shuffle(imagePaths)

for imagePath in imagePaths:

image = cv2.imread(imagePath)

image = cv2.resize(image, (IMAGE_DIMS[1], IMAGE_DIMS[0]))

image = img_to_array(image)

data.append(image)

# etiketler dosya adından oluşturuluyor

label = imagePath.split(os.path.sep)[-2]

labels.append(label)

print(labels)

# piksel değerleri [0, 1] olarak dönüştürülüyor

data = np.array(data, dtype="float") / 255.0

labels = np.array(labels)

print("matrix: {:.2f}MB".format(

data.nbytes / (1024 * 1000.0)))

# etiketler sayısallaştırılıyor

lb = LabelBinarizer()

labels = lb.fit_transform(labels)

# veri eğitim ve test için ayrıştırılıyor

(trainX, testX, trainY, testY) = train_test_split(data,

labels, test_size=0.2, random_state=42)

# veri çoğullama için imaj üreteci oluşturuluyor

aug = ImageDataGenerator(rotation_range=25, width_shift_range=0.1,

height_shift_range=0.1, shear_range=0.2, zoom_range=0.2,

horizontal_flip=True, fill_mode="nearest")

print("Geçen süre: ",time.time()-t0)

print("Model derleniyor...")

# model = SmallerVGGNet.build(width=IMAGE_DIMS[1], height=IMAGE_DIMS[0],

# depth=IMAGE_DIMS[2], classes=len(lb.classes_))

# SmallerVGGNet yerine daha basit bir model kullanıyorum

model = vgg_like()

print("Geçen süre: ",time.time()-t0)

print("Model Özeti")

print(model.summary())

with open("model_ozet.txt","w") as of:

model.summary(print_fn=lambda x: of.write(x+'\n'))

# opt = Adam(lr=INIT_LR, decay=INIT_LR / EPOCHS)

opt = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) # daha iyi sonuç veriyor

print("Geçen süre: ",time.time()-t0)

model.compile(loss="categorical_crossentropy", optimizer=opt,

metrics=["accuracy"])

# train the network

print("Geçen süre: ",time.time()-t0)

print("Ağ eğitiliyor...")

H = model.fit_generator(

aug.flow(trainX, trainY, batch_size=BATCH_SIZE),

validation_data=(testX, testY),

steps_per_epoch=len(trainX) // BATCH_SIZE,

epochs=EPOCHS, verbose=1)

print("Geçen süre: ",time.time()-t0)

print("Model kaydediliyor...")

model.save("yesilcam.model")

print("Geçen süre: ",time.time()-t0)

print("Etiketler kaydediliyor...")

f = open("etiket.pickle", "wb")

f.write(pickle.dumps(lb))

f.close()

print("Geçen süre: ",time.time()-t0)

print("Kayıp ve doğruluk grafikleri çiziliyor")

# eğitimdeki kayıp ve doğruluğun çizimi

plt.style.use("ggplot")

plt.figure()

N = EPOCHS

plt.plot(np.arange(0, N), H.history["loss"], label="train_loss")

plt.plot(np.arange(0, N), H.history["val_loss"], label="val_loss")

plt.plot(np.arange(0, N), H.history["acc"], label="train_acc")

plt.plot(np.arange(0, N), H.history["val_acc"], label="val_acc")

plt.title("Training Loss and Accuracy")

plt.xlabel("Epoch #")

plt.ylabel("Loss/Accuracy")

plt.legend(loc="upper left")

plt.savefig("plot.png")

print("Toplam süre: ",time.time()-t0)

İşin içine eğitim girince bir sürü kütüphane ve modüle ihtiyaç duyuyoruz. Kullanacağımız kütüphaneler hakkında kabaca da olsa, bilgi sahibi olduğunuzu umuyorum. Yoksa bu yazıyı 1000-1500 kelimelik bir hacme sığdırmak olanaksız hale gelirdi.

İlk 27 satırımızda matplotlib, keras, sklearn, imutils, numpy, random, pickle, cv2 ve os kütüphanelerimizi içe aktarıyoruz. smallervggnet kütüphanesini de belki kullanırsınız diye listeden çıkarmadım.

Modeli daha basit tutmak amacıyla vgg_like() fonksiyonunu tanımladım. (VGGNet, 2014 yılındaki Imagenet Büyük Ölçekli Görsel Tanıma Yarışmasında çok iyi performans gösteren bir yapay sinir ağıdır. VGG (Visual Geometry Group) Oxford Üniversitesi Mühendislik Bilimleri Bölümünün bir alt birimidir.)

Eğitim için Doğrusal(Sequential) bir model kullanıyoruz – satır 30
Görsellerimiz 96×96 boyutlu ve 3 renk kanalına sahip.
Modelimize ilk önce bir Conv2D katmanı uyguluyoruz – satır 31
İkinci katmanımız yine Conv2D – satır 32
Üçüncü katmanda MaxPooling2D var – satır 33
34. satırdaki Dropout ile %25’lik giriş bilgisini devre dışı bırakıyoruz (overfitting engelleme).

Benzer işlemleri bir kez daha tekrarlıyoruz. Ama boyutlamalar biraz farklı. satır 36-39

Son aşamada modelimize önce Flatten(), sonra Dense() uyguluyoruz. satır 41-42
Dropout oranımız %50 satır 43
Son işlemimiz her zamanki gibi ‘softmax’ satır 44
45.satırda modelimizi geri döndürüyoruz.

47. satırda işlem başlangıç zamanını t0 olarak not ediyoruz. Bu değişkeni belirli aşamalarda geçen süreyi belirtmek için kullanacağız.

Satır 48-51’de sabitlerimizi tanımlıyoruz.

data ve labels boş birer listedir. satır 53-54

58. satırda görsel dosya yollarımızı bir listede topluyoruz (imagePaths).

imagePaths listesinin satırlarını karıştırırken, sonraki denemelerde de aynı rasgele değerleri elde edebilmek için seed değerini 42 olarak belirliyoruz. satır 60 (Bu değer herhangi bir başka sayı da olabilir. Önemli olan hep aynı başlatma değerini kullanmak.)

63. satırda görsel dosyalarını işlemeye başlıyoruz.
Dosyayı okuyoruz – satır 64
İmajı 96×96 olarak yeniden boyutlandırıyoruz – satır 65
İmajı bir dizi (array) haline dönüştürüyoruz – satır 66
Ve imaj dizisini data listesine ekliyoruz – satır 67

Dosya yolundan etiket bilgisini (sanatçı_kodu) ayrıştırıyoruz – satır 70
Etiket bilgisini labels listesine ekliyoruz – satır 71

data listesini elemanları 0 veya 1 olacak şekilde bir numpy dizisine çeviriyoruz – satır 75
Aynı şekilde labels listesini de bir numpy dizisi haline getiriyoruz – satır 76

Satır 81-82’de etiketleri sayısallaştırıyoruz.

Satır 85-86: data ve labels dizi elemanlarının %20’sini test, geri kalanını eğitim için ayırıyoruz.

Veri sayımız kısıtlı olduğu için data çoğullama (augmentation) işlemi yaptırıyoruz – satır 89-91 (Çoğullama sırasında döndürme, kaydırma, yükseklik değiştirme, kesme, büyütme ve yatay aynalama (flip) işlemleri yapılacak.)

Modelimizi vgg_like() fonksiyonu ile oluşturuyoruz – satır 99

model.summary(), model katmanlarımızın değişimini ayrıntılı bir şekilde açıklıyor. Bu özeti hem ekrana, hem de dosyaya kaydediyoruz. – satır 102-105

Optimizasyon işlemi için Adam da yaygın bir şekilde kullanılıyor. Benim yaptığım denemelerde SGD daha iyi sonuçlar almamı sağladı. Her ikisini de deneyebilirsiniz. Satır 108

110. satırda modelimizi derliyoruz.

Eğitim işlemleri (satır 116-120) için bir kaç dakika bekliyoruz.

Eğitim tamamlandığında, önce modelimizi (satır 124), sonra da etiketlerimizi (satır 128-130) kaydediyoruz.

Son aşama olarak, eğitim işlemlerimiz sırasında hesaplanan kayıp ve doğruluk değerlerini grafiğe döküyor ve plot.png adıyla kaydediyoruz. – satır 135-146

Artık sınıflandırma işlemlerimize geçebiliriz. Ama daha önce model özetimize kısaca bir göz atsak iyi olacak:

Model Özeti
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_1 (Conv2D)            (None, 94, 94, 32)        896       
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 92, 92, 32)        9248      
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 46, 46, 32)        0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 46, 46, 32)        0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 44, 44, 64)        18496     
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 42, 42, 64)        36928     
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 21, 21, 64)        0         
_________________________________________________________________
dropout_2 (Dropout)          (None, 21, 21, 64)        0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 28224)             0         
_________________________________________________________________
dense_1 (Dense)              (None, 256)               7225600   
_________________________________________________________________
dropout_3 (Dropout)          (None, 256)               0         
_________________________________________________________________
dense_2 (Dense)              (None, 3)                 771       
=================================================================
Total params: 7,291,939
Trainable params: 7,291,939
Non-trainable params: 0
_________________________________________________________________

Model Özeti

_________________________________________________________________

Layer (type) Output Shape Param #

=================================================================

conv2d_1 (Conv2D) (None, 94, 94, 32) 896

_________________________________________________________________

conv2d_2 (Conv2D) (None, 92, 92, 32) 9248

_________________________________________________________________

max_pooling2d_1 (MaxPooling2 (None, 46, 46, 32) 0

_________________________________________________________________

dropout_1 (Dropout) (None, 46, 46, 32) 0

_________________________________________________________________

conv2d_3 (Conv2D) (None, 44, 44, 64) 18496

_________________________________________________________________

conv2d_4 (Conv2D) (None, 42, 42, 64) 36928

_________________________________________________________________

max_pooling2d_2 (MaxPooling2 (None, 21, 21, 64) 0

_________________________________________________________________

dropout_2 (Dropout) (None, 21, 21, 64) 0

_________________________________________________________________

flatten_1 (Flatten) (None, 28224) 0

_________________________________________________________________

dense_1 (Dense) (None, 256) 7225600

_________________________________________________________________

dropout_3 (Dropout) (None, 256) 0

_________________________________________________________________

dense_2 (Dense) (None, 3) 771

=================================================================

Total params: 7,291,939

Trainable params: 7,291,939

Non-trainable params: 0

_________________________________________________________________

Conv2D katman çıkış boyutlarında 2 piksellik küçülme yaratıyor.
MaxPooling2D ise (2,2) oranları ile her iki yönde boyutları yarıya indiriyor.
Flatten işlemi katmanı tek boyutlu bir diziye dönüştürür.
Dropout input değerlerinden bir bölümünü işlem dışı bırakır. Böylece overfitting olasılığı azalır.

4. ADIM – SINIFLANDIRMA

from keras.preprocessing.image import img_to_array
from keras.models import load_model
import numpy as np
import imutils
import pickle
import cv2
import os

# imajlar
imajlar = ["c_arkin2.jpg","s_alisik6.jpg","t_soray2.jpg"]

def check_image(image,output,imaj):
    image = cv2.resize(image, (96, 96))
    image = image.astype("float") / 255.0
    image = img_to_array(image)
    image = np.expand_dims(image, axis=0)

    print("Ağ yükleniyor...")
    model = load_model("yesilcam.model")
    lb = pickle.loads(open("etiket.pickle", "rb").read())

    print("İmaj sınıflandırılıyor...")
    proba = model.predict(image)[0]
    idx = np.argmax(proba)
    label = lb.classes_[idx]

    filename = imaj[imaj.rfind(os.path.sep) + 1:]
    correct = "tamam" if filename.rfind(label) != -1 else "hata"

    mesaj = "{}: {:.2f}% ({})".format(label, proba[idx] * 100, correct)
    output = imutils.resize(output, width=400)
    cv2.putText(output, mesaj, (10, 25), cv2.FONT_HERSHEY_SIMPLEX,
                0.7, (0, 255, 0), 2)

    print("{}".format(label))
    cv2.imshow("Sonuç", output)
    cv2.imwrite(imaj,output)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    for imaj in imajlar:
        image = cv2.imread("kontrol/"+imaj)
        output = image.copy()
        check_image(image,output,imaj)

from keras.preprocessing.image import img_to_array

from keras.models import load_model

import numpy as np

import imutils

import pickle

import cv2

import os

# imajlar

imajlar = ["c_arkin2.jpg","s_alisik6.jpg","t_soray2.jpg"]

def check_image(image,output,imaj):

image = cv2.resize(image, (96, 96))

image = image.astype("float") / 255.0

image = img_to_array(image)

image = np.expand_dims(image, axis=0)

print("Ağ yükleniyor...")

model = load_model("yesilcam.model")

lb = pickle.loads(open("etiket.pickle", "rb").read())

print("İmaj sınıflandırılıyor...")

proba = model.predict(image)[0]

idx = np.argmax(proba)

label = lb.classes_[idx]

filename = imaj[imaj.rfind(os.path.sep) + 1:]

correct = "tamam" if filename.rfind(label) != -1 else "hata"

mesaj = "{}: {:.2f}% ({})".format(label, proba[idx] * 100, correct)

output = imutils.resize(output, width=400)

cv2.putText(output, mesaj, (10, 25), cv2.FONT_HERSHEY_SIMPLEX,

0.7, (0, 255, 0), 2)

print("{}".format(label))

cv2.imshow("Sonuç", output)

cv2.imwrite(imaj,output)

cv2.waitKey(0)

cv2.destroyAllWindows()

if __name__ == "__main__":

for imaj in imajlar:

image = cv2.imread("kontrol/"+imaj)

output = image.copy()

check_image(image,output,imaj)

Sınıflandırma işlemlerinde eğitim aşamasında kullanmadığımız görsellerden yararlanacağız. Her sanatçı için birer görsel seçtik ve bunları kontrol klasörünün altına kopyaladık.

İlk 7 satırda gerekli kütüphaneleri içeri aktarıyoruz.

imajlar listesi sınıflandıracağımız fotoğrafları tutuyor. satır 10

Sınıflandırma işlemlerini check_image() fonksiyonu ile yapacağız (satır 12). Her görsel ayrı ayrı işleme sokulacak.

Satır 13-16’da imajımızı 96×96 piksel boyutlarına küçültüyor ve modelimize uygun bir numpy dizisine dönüştürüyoruz.

Satır 19 ve 20’de eğitim sonunda kaydettiğimiz model ve etiket bilgilerini belleğe alıyoruz.

Modele göre bulunan tahmin ve olası doğruluk derecesini saptıyor; etiket değerini alıyoruz. satır 23-25

Sınıflandırma sonucunu genişliğini 400 pikselle sınırlandırdığımız imajımızın üzerine işliyoruz. satır 28-33

İşlenmiş imajı ekranda gösterip diske kaydettikten sonra bir tuşa basılmasını bekliyoruz. satır 35-38

Tuşa basıldığında belleği temizliyoruz: satır 39

check_image() fonksiyonumuzu her resim için ayrı ayrı çağıran döngümüz satır 42-45 arasında.

Elde ettiğim görüntüler aşağıda:

SmallerVGGNet kullanarak yaptığım denemelerde daha yüksek sayısal doğruluk oranlarına ulaştım ama, yapılan tahminlerin pek çoğu aslında hatalıydı. Bu, veri kümemizin çok dar olmasından kaynaklanmış olabilir.

Aynı eğitim setini yüz saptama fonksiyonlarıyla birlikte kullanarak grup fotoğraflarından çoklu yüz tanıma işlemleri gerçekleştirmek mümkün olabilir.

Açıklamalara böyle bir blog yazısında daha kapsamlı bir şekilde girmek mümkün olmuyor. Sorularınız varsa, yorum alanından iletebilirsiniz.

Bu tür çalışmalar çok geniş bir kapsama alanına sahip. Yapılan işlemler ve elde edilen sonuçlar deneysel nitelikte. Bu yüzden, bu tür konulara ilgi duyuyorsanız, siz de kendi modellerinizi geliştirin. Mümkünse veri kümeleri oluşturun. Deneyin. Yorumlayın.

Elbette hala öğrenecek çok şey var. Ama yapabileceğimiz şeyler de pek çok…

Önemli olan, hangi düzeyde olursak olalım, deneysel bakış açımızı yitirmemek ve hevesimizi kaybetmemek… Hata yapmak bizi korkutmasın. Hatalar, kullanmasını bilenler için en etkin yol göstericilerdir.

Yeni yazılarda buluşmak üzere…

Beni izlemeye devam edin.

Ahmet Aksoy

Referanslar:
https://github.com/kjaisingh/pokemon-classifier/blob/master/pyimagesearch/smallervggnet.py
https://www.pyimagesearch.com/2018/04/16/keras-and-convolutional-neural-networks-cnns/
https://hackernoon.com/learning-keras-by-implementing-vgg16-from-scratch-d036733f2d5
http://www.robots.ox.ac.uk/~vgg/research/very_deep/

OpenCV ile Yüz Tanıma Bölüm 3-1

derin öğrenme, makine öğrenmesi, opencv, python 4 Yanıt »

Ara 172018

OpenCV ile Yüz Tanıma Bölüm 3-1

Bu yazımda 3 Yeşilçam emektarının fotoğraflarını içeren küçük bir veri setini oluşturmak için gerekli işlemleri ele alacağım. Eğitim ve sınıflandırma işlemleri ise bir sonraki yazımın konusu olacak.

Orijinal kodları yine PyimageSearch web sitesinden edinmek mümkün. Adrian, anime karakterleri kullanmış. Ben ise Yeşilçam karakterlerini tercih ettim. Ayrıca kodları biraz daha basitleştirdim ve gerekli yerlerini Türkçeleştirdim.

Veri seti için Google üzerinden ulaşabildiğim fotoğrafların sayısı hiç ummadığım kadar düşük çıktı. Oysa çok fazla fotoğrafa ulaşabileceğimi umuyordum. Bu proje için 3 sanatçımızın toplam 147 farklı fotoğrafına ulaşabildim. Sayının azlığına rağmen sınıflandırma değerleri fena değil.

Projemizde 4 ayrı betiğimiz var:
1- Dosyadaki linklerin okunup, ilgili imaj dosyalarının internetten indirilip kaydedilmesi
2- Kaydedilen dosyaların denetlenerek, içeriği aynı olan dosyaların teke düşürülmesi
3- Veri setinin eğitilmesi
4- Eğitilmiş veri seti bilgilerini kullanarak örnek dosyaların sınıflandırılması

VERİ SETİMİZİ OLUŞTURMAK

Sanatçılarımız: Türkan Şoray, Sadri Alışık ve Cüneyt Arkın. Amacım sadece çalışma yöntemini örneklemek olduğu için sayıyı daha fazla arttırmadım. Belki ileride, bu veri setini genişletip çok daha zengin ve işlevsel bir projeye dönüştürmek mümkün olabilir.

1. ADIM – VERİ SETİNİN OLUŞTURULMASI

İnternet üzerinden ulaştığım görsel linklerini, “linkler.txt” isimli bir metin dosyasına kaydettim. Bu dosyayı linkler.txt adresinden indirebilir veya tamamen kendiniz oluşturabilirsiniz.
Dosya yapısı şöyle:
sanatçı_kodu,link1
sanatçı_kodu,link2
…
Sanatçı kodları aynı zamanda data klasörünün içindeki klasörlerin de adlarıdır. O nedenle kodlarda Türkçe karakter kullanmadım. Kodlar ve klasör isimleri şu şekildedir:
c_arkin
s_alisik
t_soray

Betik kodlarını kısa tutmak için data klasörünü ve onun altındaki klasörleri kendim oluşturdum.

Önce ilk betiğimizi (resim_indir.py) inceleyelim:

import cv2
from skimage import io

filename='linkler.txt'
ok=0
hata=0
kac={}
with open(filename) as f:
    for sat in f.readlines():
        sat = sat.strip()
        if len(sat)>3:
            if sat[0]=='#':continue
            ss=sat.split(',')
            kim=ss[0]
            url=ss[1]
            if len(ss)>2:url+=ss[2]
            try:
                print(kim,url)
                if kim not in kac.keys():
                    kac[kim]=1
                image=io.imread(url)
                image=cv2.cvtColor(image,cv2.COLOR_RGB2BGR)
                cv2.imshow('image',image)
                if cv2.waitKey(1) & 0xff == 27: break
                ok+=1
                # kaydet
                while True:
                    if kac[kim]>100:break
                    try:
                        dosya=f"data/{kim}/{kac[kim]:04}.jpg"
                        cv2.imwrite(dosya,image)
                        kac[kim]+=1
                        break
                    except Exception as e:
                        kac[kim]+=1
                        print(kac[kim])
            except:
                hata+=1
                print("hata: ",hata)

cv2.destroyAllWindows()

import cv2

from skimage import io

filename='linkler.txt'

ok=0

hata=0

kac={}

with open(filename) as f:

for sat in f.readlines():

sat = sat.strip()

if len(sat)>3:

if sat[0]=='#':continue

ss=sat.split(',')

kim=ss[0]

url=ss[1]

if len(ss)>2:url+=ss[2]

try:

print(kim,url)

if kim not in kac.keys():

kac[kim]=1

image=io.imread(url)

image=cv2.cvtColor(image,cv2.COLOR_RGB2BGR)

cv2.imshow('image',image)

if cv2.waitKey(1) & 0xff == 27: break

ok+=1

# kaydet

while True:

if kac[kim]>100:break

try:

dosya=f"data/{kim}/{kac[kim]:04}.jpg"

cv2.imwrite(dosya,image)

kac[kim]+=1

break

except Exception as e:

kac[kim]+=1

print(kac[kim])

except:

hata+=1

print("hata: ",hata)

cv2.destroyAllWindows()

skimage kütüphanesi, imaj dosyalarımızı doğrudan internet üzerinden okuyabilmek için gerekli. Ancak bu kütüphane RGB renk sistemini kullanıyor. Bu yüzden 22 nolu satır ile renk sistemini OpenCV’nin kullandığı BGR sistemine çeviriyoruz.

Linkleri tutan dosyamızın adı “linkler.txt”.

Sorunsuz okunan dosya sayısını tutmak için ok, sorunluları saymak içinse hata değişkenlerini kullanıyoruz.

kac sözlük değişkeni, her sanatçı için dosya isimlerini ayrı ayrı sayılaştırmamızı sağlıyor.

Satırları tek tek okuyoruz. # ile başlayan veya boyu 3 karakterden kısa olan satırları atlıyoruz.

İşlenecek satırları “,” ile parçalıyoruz. İlk parçada sanatçı kodu bulunuyor. Normalde ikinci parçanın link adresini tutması lazım. Ancak, sayıları az olsa da, bazı link adreslerinde “,” işaretinin kullanıldığına rastlayabiliriz. Bu nedenle -eğer varsa- 3. parçayı 2. parçaya ekleyerek doğru adresi elde ediyoruz.

17. satırda başlattığımız try bloğu, hatalı okumalardan kaçınmamızı sağlıyor.

kim değişkeni sanatçı kodunu, url ise imaj adresini saklıyor.

kac anahtarları içinde kim stringi yoksa, ilk kez tanımlanacak demektir. Başlangıç değeri olarak 1 atıyoruz.

21. satırda dosyamızı internet üzerinden okuyor; 2. satırda renk sistemini BGR haline çeviriyor ve 23. satırda okuduğumuz imajı görselleştiriyoruz.

24. satırdaki tuş kontrolü, gerektiğinde, Esc tuşuna basarak döngüyü kırabilmemizi sağlıyor. Bu satır aynı zamanda görselleştirme işlemleri için de gerekli.

27-36 satırlarını kullanarak dosyayı data klasörü altındaki sanatçı klasörüne (kim) kaydediyoruz. Dosya isimlendirmesinde bir çakışma olması ihtimalini dikkate alıyor, ama bu sayının 100’den fazla olmasına izin vermiyoruz. (Dikkat! Eğer kendi veri setinizi oluşturacaksanız, kullanacağınız link sayısını dikkate almak için bu sınırı değiştirmeniz gerekebilir.)

41. satırda son işlem olarak bilgisayar belleğini temizliyoruz.

İmajlar farklı boyutlarda olduğu için işlenmeleri farklı süreler gerektirebiliyor.

(Not: Çalışmalarımı Pycharm üzerinde yapıyor ve çalıştırıyorum. Ancak bu betiği terminal üzerinden çalıştırmak zorunda kaldım. Aynı durum sizin başınıza da gelebilir. Betiği çalıştırmak için Pycharm’ın terminal modunu kullanabilirsiniz.)

2. ADIM – İMAJ TEKRARLARININ ÖNLENMESİ

Bu betiğimizde doğrudan md5 hesaplamak yerine imagehash kütüphanesindeki dhash() metodunu uyguluyoruz. Bu metod hash hesabını imajları belli bir boyuta indirip gri renge çevirdikten sonra yapıyor. Yeniden boyutlandırma biraz zaman alıyor olsa da sonuçlar daha güvenilir.

"""
imaj_dup_check.py
aynı klasördeki aşırı benzer dosyalar temizleniyor
"""

import os
from PIL import Image
import imagehash

def hash(f):
    image = Image.open(f)
    return str(imagehash.dhash(image))

def tekrar_sil(path):
    if not os.path.isdir(path):
        print('Belirtilen klasör mevcut değil!')
    else:
        hash_dict = {}
        for root, dirs, files in os.walk(path):
            for f in files:
                if not hash(os.path.join(root, f)) in hash_dict:
                    hash_dict.update({hash(os.path.join(root, f)): [os.path.join(root, f)]})
                else:
                    hash_dict[hash(os.path.join(root, f))].append(os.path.join(root, f))
        for key in hash_dict:
            while len(hash_dict[key]) > 1:
                for item in hash_dict[key]:
                    print(item," siliniyor...")
                    os.remove(item)
                    hash_dict[key].remove(item)
        print('Tamam!')

if __name__ == '__main__':
    tekrar_sil("data")

"""

imaj_dup_check.py

aynı klasördeki aşırı benzer dosyalar temizleniyor

"""

import os

from PIL import Image

import imagehash

def hash(f):

image = Image.open(f)

return str(imagehash.dhash(image))

def tekrar_sil(path):

if not os.path.isdir(path):

print('Belirtilen klasör mevcut değil!')

else:

hash_dict = {}

for root, dirs, files in os.walk(path):

for f in files:

if not hash(os.path.join(root, f)) in hash_dict:

hash_dict.update({hash(os.path.join(root, f)): [os.path.join(root, f)]})

else:

hash_dict[hash(os.path.join(root, f))].append(os.path.join(root, f))

for key in hash_dict:

while len(hash_dict[key]) > 1:

for item in hash_dict[key]:

print(item," siliniyor...")

os.remove(item)

hash_dict[key].remove(item)

print('Tamam!')

if __name__ == '__main__':

tekrar_sil("data")

İkinci betiğimizde os, PIL ve imagehash kütüphanelerini kullanıyoruz.

hash() fonksiyonumuzda okuma işlemini PIL.Image modülü ile gerçekleştiriyor ve elde edilen imaja imagehash.dhash() işlemini uyguluyoruz. (Doğrudan md5 hesabı yaptığımızda birbirine çok benzer bazı imajlar gözden kaçabiliyor.)

Tekrarlanan imaj dosyaları tekrar_sil() fonksiyonunun içinde temizleniyor.

19. satırda path değişkenimizle aktarılan klasör yolu bir döngü yapısı içinde kök, klasör ve dosya bileşenlerine ayrıştırılıyor ve her bir dosya için hash() değeri hesaplanıp, hash_dict sözlük değişkeninde saklanıyor. Eğer eşdeğer hash değeri (key) bulunursa, aynı anahtarın karşılığına mükerrer dosyanın adı ekleniyor. Böylece len(hash_dict[k]) değeri birden büyük olan kayıtlar, mükerrer dosyaları tutuyor.

25-30 satırları mükerrer dosyaların silinmesini sağlıyor.

34. satırda data klasörünü işleme sokuyoruz. Böylece onun altındaki tüm klasör ve dosyaları taramış oluyoruz.

Sizi daha fazla yormamak ve veri setini hazırlamanız zaman tanımak için bu yazıyı burada kesiyorum. Bir sonraki yazımda, oluşturduğumuz veri setini önce eğiteceğiz, sonra da eğitim setinde yer almayan kontrol görsellerinin kime ait olduğunu sorgulayacağız.

Beni izlemeye devam edin.

Ahmet Aksoy

Referanslar:

https://www.pyimagesearch.com/

OpenCV ile Yüz Tanıma Bölüm 2

makine öğrenmesi, opencv, python 36 Yanıt »

Ara 092018

OpenCV ile Yüz Tanıma Bölüm 2

Bu bölümde 3 ayrı betik kullanıyoruz:
1- veri toplama: 01_face_dataset.py
2- eğitim: 02_face_training.py
3- uygulama: 03_face_recognition.py

Orijinal kodlara https://www.hackster.io/mjrobot/real-time-face-recognition-an-end-to-end-project-a10826 adresinden ulaşabilirsiniz.

Ben veri kümesini yeniden oluşturdum. Türkçe karakterlerin görüntülenebilmesi için gerekli düzenlemeyi yaptım ve bazı mesajları Türkçeleştirdim.

İlk betikte input() komutunu # ile devre dışı bıraktım. Yeni bir yüz tanıtırken face_id sayısını doğrudan tanımladım. Örneğimizde 4 yüz tanımlı. Her yüz için 30 kare dataset klasörüne kaydedildi. Siz de kendi verilerinizi kaydetmeli ve eğitmelisiniz.

# 01_face_dataset.py
import cv2
import os
cam = cv2.VideoCapture(0)
cam.set(3, 640) # set video width
cam.set(4, 480) # set video height
face_detector = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')
# For each person, enter one numeric face id
# face_id = input('\n enter user id end press <return> ==>  ')
face_id = 1
print("\n [INFO] Initializing face capture. Look at the camera and wait ...")
# Initialize individual sampling face count
count = 0

while(True):
    ret, img = cam.read()
    # img = cv2.flip(img, -1) # flip video image vertically
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = face_detector.detectMultiScale(gray, 1.3, 5)
    for (x,y,w,h) in faces:
        cv2.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)
        count += 1
        # Save the captured image into the datasets folder
        cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])
        cv2.imshow('image', img)
    k = cv2.waitKey(100) & 0xff # Press 'ESC' for exiting video
    if k == 27:
        break
    elif count >= 30: # Take 30 face sample and stop video
         break
# Do a bit of cleanup
print("\n [INFO] Exiting Program and cleanup stuff")
cam.release()
cv2.destroyAllWindows()

# 01_face_dataset.py

import cv2

import os

cam = cv2.VideoCapture(0)

cam.set(3, 640) # set video width

cam.set(4, 480) # set video height

face_detector = cv2.CascadeClassifier('Cascades/haarcascade_frontalface_default.xml')

# For each person, enter one numeric face id

# face_id = input('\n enter user id end press <return> ==> ')

face_id = 1

print("\n [INFO] Initializing face capture. Look at the camera and wait ...")

# Initialize individual sampling face count

count = 0

while(True):

ret, img = cam.read()

# img = cv2.flip(img, -1) # flip video image vertically

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_detector.detectMultiScale(gray, 1.3, 5)

for (x,y,w,h) in faces:

cv2.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)

count += 1

# Save the captured image into the datasets folder

cv2.imwrite("dataset/User." + str(face_id) + '.' + str(count) + ".jpg", gray[y:y+h,x:x+w])

cv2.imshow('image', img)

k = cv2.waitKey(100) & 0xff # Press 'ESC' for exiting video

if k == 27:

break

elif count >= 30: # Take 30 face sample and stop video

break

# Do a bit of cleanup

print("\n [INFO] Exiting Program and cleanup stuff")

cam.release()

cv2.destroyAllWindows()

İlk betiğimizde cv2 ve os kütüphanelerini kullanıyoruz.

Görüntüleri webcam üzerinden elde edeceğiz. Görüntülerimizin eni 640, yüksekliği 480 piksel olarak tanımlandı (satır 5 ve 6).

7 nolu satırda cepheden yüz sınıflandırıcısını tanımlıyoruz.

face_id yüz görüntülerini eğiteceğimiz kullanıcı numarasını belirtiyoruz. Eğer input() satırını kullanmak isterseniz 9.satırın başındaki # işaretini silip, 10. satırın başına # eklemelisiniz.

count değişkenini görüntü sayısını takip etmek için kullanacağız.

Kayıt işlemlerimiz 15. satırdaki sonsuz while döngüsüyle başlıyor.

16. satırda kamera görüntüsünü alıyoruz. ret değişkeni işlevsizdir. Bu değişken video dosyasından okuma yaparken işimize yarıyor.

Görüntü karesini griye çevirip içindeki yüzleri saptıyoruz. (Satır 18 ve 19.)

Aslında her karede sadece 1 kişiye ait tek bir yüz bulunmalı. Yine de burada bir döngü kullanıyoruz. Aslında döngüdeki enbüyük dikdörtgeni seçsek daha doğru olurdu. Ama kodu gereksiz yere uzatmamak için bu tür ayrıntılara girmiyoruz.

Yakalanan her yüz için count değerini 1 arttırıyor (satır 22) ve yüz görüntüsünü dataset klasörüne kaydediyoruz. Kaydedilen görüntünün boyutları yüzün boyutları ile aynı. Yani webcam tarafından yakalanan görüntünün tümünü kullanmıyoruz. (Satır 24)

25.satırda kamera görüntüsünü (tamamını) ekrana yansıtıyoruz.

k değişkeni ile 100 milisaniye içinde bir tuşa basılıp basılmadığını kontrol ediyoruz.

Eğer ‘Esc’ tuşuna basıldıysa (sayısal karşılığı 27 olan tuş) döngüyü kırıyor, basılmadıysa bu kez count değerinin 30’u aşıp aşmadığını denetliyoruz. Sayı 30’u aştıysa döngüyü yine kırıyoruz. Çünkü her kişi için 30 görüntü kaydediyoruz.

Son iki satırda kamerayı serbest bırakıyor ve belleği temizliyoruz.

“dataset” klasörünün içine bakarsanız, verdiğiniz kullanıcı numarasına karşılık gelen 30 adet resim göreceksiniz.

Kullanıcı sayısını (yüz görüntülerini kaydedeceğiniz kişi sayısını) istediğiniz kadar arttırabilirsiniz. (Elbette en az bir kişi olmalı!)

Verilerimizi tamamladığımızda işimiz bitmiyor. Şimdi bu veri kümesini eğitmemiz lazım. İkinci betiğimizin işlevi bu!

import cv2
import numpy as np
from PIL import Image
import os
# Path for face image database
path = 'dataset'
recognizer = cv2.face.LBPHFaceRecognizer_create()
detector = cv2.CascadeClassifier("Cascades/haarcascade_frontalface_default.xml");
# function to get the images and label data
def getImagesAndLabels(path):
    imagePaths = [os.path.join(path,f) for f in os.listdir(path)]
    faceSamples=[]
    ids = []
    for imagePath in imagePaths:
        PIL_img = Image.open(imagePath).convert('L') # convert it to grayscale
        img_numpy = np.array(PIL_img,'uint8')
        id = int(os.path.split(imagePath)[-1].split(".")[1])
        faces = detector.detectMultiScale(img_numpy)
        for (x,y,w,h) in faces:
            faceSamples.append(img_numpy[y:y+h,x:x+w])
            ids.append(id)
    return faceSamples,ids
print ("\n [INFO] Training faces. It will take a few seconds. Wait ...")
faces,ids = getImagesAndLabels(path)
recognizer.train(faces, np.array(ids))
# Save the model into trainer/trainer.yml
recognizer.write('trainer/trainer.yml') # recognizer.save() worked on Mac, but not on Pi
# Print the numer of faces trained and end program
print("\n [INFO] {0} faces trained. Exiting Program".format(len(np.unique(ids))))

import cv2

import numpy as np

from PIL import Image

import os

# Path for face image database

path = 'dataset'

recognizer = cv2.face.LBPHFaceRecognizer_create()

detector = cv2.CascadeClassifier("Cascades/haarcascade_frontalface_default.xml");

# function to get the images and label data

def getImagesAndLabels(path):

imagePaths = [os.path.join(path,f) for f in os.listdir(path)]

faceSamples=[]

ids = []

for imagePath in imagePaths:

PIL_img = Image.open(imagePath).convert('L') # convert it to grayscale

img_numpy = np.array(PIL_img,'uint8')

id = int(os.path.split(imagePath)[-1].split(".")[1])

faces = detector.detectMultiScale(img_numpy)

for (x,y,w,h) in faces:

faceSamples.append(img_numpy[y:y+h,x:x+w])

ids.append(id)

return faceSamples,ids

print ("\n [INFO] Training faces. It will take a few seconds. Wait ...")

faces,ids = getImagesAndLabels(path)

recognizer.train(faces, np.array(ids))

# Save the model into trainer/trainer.yml

recognizer.write('trainer/trainer.yml') # recognizer.save() worked on Mac, but not on Pi

# Print the numer of faces trained and end program

print("\n [INFO] {0} faces trained. Exiting Program".format(len(np.unique(ids))))

İkinci -eğitim- betiğimizde opencv ve os yanısıra numpy ve pillow kütüphanelerini kullanıyoruz.

Veri klasörümüzün adı ‘dataset’. Bu bilgiyi path değişkeninde tutuyoruz.

Veri kümemizin eğitimini cv2.face.LBPHFaceRecognizer_create() komutuyla oluşturduğumuz recognizer (satır 7) üzerinden yapacağız.

Görüntülerdeki yüz alanlarını ayırmak için yine ‘haarcascade_frontalface_default.xml’ filtresinden yararlanacağız. Filtre değişkenimizin adı: detector. (satır 8)

Görüntü etiketlerimizi almak için getImagesAndLabels() fonksiyonunu kullanıyoruz.

ImagePaths listesi, path klasörü içinde yer alan dosyaların listesidir.

faceSamples listesi yüz görüntülerini, ids listesi ise her bir görüntünün etiketini tutacak.

imagePaths listesindeki her bir elemanı (dosya adını) kullanarak ilgili resmi okuyup griye dönüştürüyor ve PIL_img değişkenine atıyoruz (satır 15). Sonra bu görüntüleri 8 bitlik pozitif tamsayılardan oluşan bir numpy dizisi (array) haline dönüştürüyoruz (satır 16).

17 numaralı satırda, dosya adından kişi numarasını ayırıp, bir tam sayı olarak id değişkenine atıyoruz.

img_numpy görüntü numpy dizisinde bulunan yüz alanlarını bulup faces listesine atıyoruz. Yüzleri içeren listeyi döngüye sokup her bir görüntüyü faceSamples, ona karşılık gelen etiketi ise ids listesine ekliyoruz.

Fonksiyonumuz faceSamples ve ids listelerini döndürüyor.

24 numaralı satırda faces ve ids listeleri oluşturuluyor.

25 nolu satırda ise veri kümemizi eğitiyoruz.

Eğitilmiş veriseti bilgileri 27. satırda trainer klasörü içindeki trainer.yml dosyasına kaydediliyor. Bu dosyayı son betiğimizdeki görüntüleri sınıflandırırken kullanacağız.

Son betiğimiz şöyle:

# 03_face_recognition.py

import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFont

# UTF-8 string printing enabled
def print_utf8_text(image, xy, text, color):  # utf-8 characters
    fontName = 'FreeSerif.ttf'  # 'FreeSansBold.ttf' # 'FreeMono.ttf' 'FreeSerifBold.ttf'
    font = ImageFont.truetype(fontName, 24)  # select font
    img_pil = Image.fromarray(image)  # convert image to pillow mode
    draw = ImageDraw.Draw(img_pil)  # prepare image
    draw.text((xy[0],xy[1]), text, font=font,
              fill=(color[0], color[1], color[2], 0))  # b,g,r,a
    image = np.array(img_pil)  # convert image to cv2 mode (numpy.array())
    return image

recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
cascadePath = "Cascades/haarcascade_frontalface_default.xml"
faceCascade = cv2.CascadeClassifier(cascadePath);
font = cv2.FONT_HERSHEY_SIMPLEX
# initiate id counter
id = 0
# names related to ids: example ==> Marcelo: id=1,  etc
# names = ['None', 'Marcelo', 'Paula', 'Ilza', 'Z', 'W']
names = ['None', 'Ahmet','Toygar','Nilden','Nilüfer']
# Initialize and start realtime video capture
cam = cv2.VideoCapture(0)
cam.set(3, 1000)  # set video widht
cam.set(4, 800)  # set video height
# Define min window size to be recognized as a face
minW = 0.1 * cam.get(3)
minH = 0.1 * cam.get(4)
while True:
    ret, img = cam.read()
    # img = cv2.flip(img, -1)  # Flip vertically
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    faces = faceCascade.detectMultiScale(
        gray,
        scaleFactor=1.2,
        minNeighbors=5,
        minSize=(int(minW), int(minH)),
    )
    for (x, y, w, h) in faces:
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
        id, confidence = recognizer.predict(gray[y:y + h, x:x + w])
        # Check if confidence is less them 100 ==> "0" is perfect match
        if (confidence < 100):
            id = names[id]
            confidence = "  {0}%".format(round(100 - confidence))
        else:
            id = "bilinmiyor"
            confidence = "  {0}%".format(round(100 - confidence))

        color = (255,255,255)
        img=print_utf8_text(img,(x + 5, y - 25),str(id),color)
        # cv2.putText(img, str(id), (x + 5, y - 5), font, 1, (255, 255, 255), 2)
        cv2.putText(img, str(confidence), (x + 5, y + h - 5), font, 1, (255, 255, 0), 1)

    cv2.imshow('camera', img)
    k = cv2.waitKey(10) & 0xff  # Press 'ESC' for exiting video
    if k == 27 or k==ord('q'):
        break
# Do a bit of cleanup
print("\n [INFO] Programdan çıkıyor ve ortalığı temizliyorum")
cam.release()
cv2.destroyAllWindows()

# 03_face_recognition.py

import cv2

import numpy as np

from PIL import Image, ImageDraw, ImageFont

# UTF-8 string printing enabled

def print_utf8_text(image, xy, text, color): # utf-8 characters

fontName = 'FreeSerif.ttf' # 'FreeSansBold.ttf' # 'FreeMono.ttf' 'FreeSerifBold.ttf'

font = ImageFont.truetype(fontName, 24) # select font

img_pil = Image.fromarray(image) # convert image to pillow mode

draw = ImageDraw.Draw(img_pil) # prepare image

draw.text((xy[0],xy[1]), text, font=font,

fill=(color[0], color[1], color[2], 0)) # b,g,r,a

image = np.array(img_pil) # convert image to cv2 mode (numpy.array())

return image

recognizer = cv2.face.LBPHFaceRecognizer_create()

recognizer.read('trainer/trainer.yml')

cascadePath = "Cascades/haarcascade_frontalface_default.xml"

faceCascade = cv2.CascadeClassifier(cascadePath);

font = cv2.FONT_HERSHEY_SIMPLEX

# initiate id counter

id = 0

# names related to ids: example ==> Marcelo: id=1, etc

# names = ['None', 'Marcelo', 'Paula', 'Ilza', 'Z', 'W']

names = ['None', 'Ahmet','Toygar','Nilden','Nilüfer']

# Initialize and start realtime video capture

cam = cv2.VideoCapture(0)

cam.set(3, 1000) # set video widht

cam.set(4, 800) # set video height

# Define min window size to be recognized as a face

minW = 0.1 * cam.get(3)

minH = 0.1 * cam.get(4)

while True:

ret, img = cam.read()

# img = cv2.flip(img, -1) # Flip vertically

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = faceCascade.detectMultiScale(

gray,

scaleFactor=1.2,

minNeighbors=5,

minSize=(int(minW), int(minH)),

)

for (x, y, w, h) in faces:

cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

id, confidence = recognizer.predict(gray[y:y + h, x:x + w])

# Check if confidence is less them 100 ==> "0" is perfect match

if (confidence < 100):

id = names[id]

confidence = " {0}%".format(round(100 - confidence))

else:

id = "bilinmiyor"

confidence = " {0}%".format(round(100 - confidence))

color = (255,255,255)

img=print_utf8_text(img,(x + 5, y - 25),str(id),color)

# cv2.putText(img, str(id), (x + 5, y - 5), font, 1, (255, 255, 255), 2)

cv2.putText(img, str(confidence), (x + 5, y + h - 5), font, 1, (255, 255, 0), 1)

cv2.imshow('camera', img)

k = cv2.waitKey(10) & 0xff # Press 'ESC' for exiting video

if k == 27 or k==ord('q'):

break

# Do a bit of cleanup

print("\n [INFO] Programdan çıkıyor ve ortalığı temizliyorum")

cam.release()

cv2.destroyAllWindows()

Kamera görüntülerindeki yüzleri yakalayıp kime ait olduklarını belirten betiğimiz bu. Kullanacağımız kütüphaneler opencv, numpy ve pillow.

print_utf8_text() fonksiyonunu bir önceki yazımda anlatmıştım. Türkçe karakterleri bu fonksiyon aracılığıyla bastırıyoruz.

Yüz tanıma nesnemiz recognizer‘a trainer.yml dosyası aracılığıyla eğitilmiş verisetimizi yüklüyoruz (satır 18 ve 19).

Canlı kamera görüntülerindeki yüzleri de yine haarcascade_frontalface_default.xml filtresi aracılığıyla yakalayacağız. Filtre değişkenimiz faceCascade (satır 20 ve 21).

22 nolu satırda orijinal betikte kullanılan font tanımlanıyor. Biz bu fontu da kullanacağız.

Kişi numaraları id değikeninde tutulacak. (Satır 24)

Etiketleri (isimleri) ise names listesiyle tanımlıyoruz.

Web kamerasının görüntüsünü cam değişkenine aktarıyoruz ve görüntü boyutlarını 1000 ve 800 piksel olarak ayarlıyoruz. (Bu değerleri 640 ve 480 olarak da bırakabilirdik.)

minW ve minH değişkenleri yakalanan yüz dikdörtgenlerinin boyutu için alt sınır değerleridir (satır 33 ve 34). Bu değerleri kendi ortamınıza göre değiştirebilirsiniz.

35 nolu satırda sonsuz döngümüz başlıyor.

36. satırda kamera görüntüsünü okuyor, 38. satırda bu görüntüyü grileştiriyoruz.

40 nolu satırda görüntü karesindeki tüm yüzleri yakalıyor; 46. satırda ise bu yüz dikdörtgenlerini bir döngü içinde işleme sokuyoruz.

recognizer.predict() metodu id ve confidence değerlerini döndürüyor. id kişi numarası; confidence ise yapılan saptamanın tahmini doğruluk oranıdır (satır 48).

id ve confidence değişkenlerini print için uygun hale getiriyoruz (satır 50-55).

58 nolu satırda kişi ismini UTF-8 kullanarak (Türkçe karakterleri doğru şekilde yansıtarak), 60 nolu satırda ise belirtilen kişinin tahmini doğruluk oranını standart font ile görüntüye işliyoruz.

Görüntünün ekrana yansıtılması 62 nolu satırda.

Döngümüz yine Esc veya q tuşlarından birine basıldığında kırılıyor.

Döngü kırıldığında web kamerayı sonlandıyor ve belleği temizliyoruz (satır 68-69).

Bu betiğin çalışmasını gösteren örnek video aşağıda.

Bu yazı, açıklamaları olabildiğince kısa tutsam da biraz uzunca oldu. Umarım yeterince açıklayıcıdır. Sorularınız için yorum alanını kullanabilirsiniz.

Bir sonraki yazımda yine yüz tanıma olacak. Ancak veri kümemizi oluşturmak ve eğitmek için farklı yöntemler kullanacağız.

Beni izlemeye devam edin.

Ahmet Aksoy

Daha eski girişler