معرفی شرکت ها
facemask-detection-0.0.4
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Unstructured set of the helper functions.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | facemask-detection-0.0.4 |
| نام | facemask-detection |
| نسخه کتابخانه | 0.0.4 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Vladimir Iglovikov |
| ایمیل نویسنده | - |
| آدرس صفحه اصلی | https://github.com/ternaus/facemask_detection |
| آدرس اینترنتی | https://pypi.org/project/facemask-detection/ |
| مجوز | MIT |
# Facemask detection
It could be confusing, but the model in this library perform classifications of the images.
It takes image as an input and outputs probability of person in the image wearing a mask.
Hence in order to get expected results the model should be combined with face detector, for example from
https://github.com/ternaus/retinaface.
[Example on how to combine face detector with mask detector](https://colab.research.google.com/drive/13Ktsrx164eQHfDmYLyMCoI-Kq0gC5Kg1?usp=sharing)
# Installation
`pip install -U facemask_detection`
# Use
```python
import albumentations as A
import torch
from facemask_detection.pre_trained_models import get_model
model = get_model("tf_efficientnet_b0_ns_2020-07-29")
model.eval()
transform = A.Compose([A.SmallestMaxSize(max_size=256, p=1),
A.CenterCrop(height=224, width=224, p=1),
A.Normalize(p=1)])
```
`image = <numpy array with the shape (height, width, 3)>`
```python
transformed_image = transform(image=image)['image']
input = torch.from_numpy(np.transpose(transformed_image, (2, 0, 1))).unsqueeze(0)
print("Probability of the mask on the face = ", model(input)[0].item())
```
* Jupyter notebook with the example: [](https://colab.research.google.com/drive/1VkSK5MKIuGPIA31KJpGiFe_FafYC4xfD?usp=sharing)
* Jupyter notebook with the example on how to combine face detector with mask detector: [](https://colab.research.google.com/drive/13Ktsrx164eQHfDmYLyMCoI-Kq0gC5Kg1?usp=sharing)
## Train set
Train dataset was composed from the data:
### No mask:
* [VGGFace2](http://www.robots.ox.ac.uk/~vgg/data/vgg_face2/)
### Mask:
* [https://www.kaggle.com/andrewmvd/face-mask-detection](https://www.kaggle.com/andrewmvd/face-mask-detection)
* [https://www.kaggle.com/alexandralorenzo/maskdetection](https://www.kaggle.com/alexandralorenzo/maskdetection)
* [https://github.com/X-zhangyang/Real-World-Masked-Face-Dataset](https://github.com/X-zhangyang/Real-World-Masked-Face-Dataset)
* [https://humansintheloop.org/medical-mask-dataset](https://humansintheloop.org/medical-mask-dataset)
# Trainining
Define config, similar to [facemask_detection_configs/2020-07-29.yaml](facemask_detection_configs/2020-07-29.yaml).
Run
```bash
python facemask_detection/train.py -c <config>
```
Inference
```bash
python -m torch.distributed.launch --nproc_per_node=1 facemask_detection/inference.py -h
usage: inference.py [-h] -i INPUT_PATH -c CONFIG_PATH -o OUTPUT_PATH
[-b BATCH_SIZE] [-j NUM_WORKERS] -w WEIGHT_PATH
[--world_size WORLD_SIZE] [--local_rank LOCAL_RANK]
[--fp16]
optional arguments:
-h, --help show this help message and exit
-i INPUT_PATH, --input_path INPUT_PATH
Path with images.
-c CONFIG_PATH, --config_path CONFIG_PATH
Path to config.
-o OUTPUT_PATH, --output_path OUTPUT_PATH
Path to save jsons.
-b BATCH_SIZE, --batch_size BATCH_SIZE
batch_size
-j NUM_WORKERS, --num_workers NUM_WORKERS
num_workers
-w WEIGHT_PATH, --weight_path WEIGHT_PATH
Path to weights.
--world_size WORLD_SIZE
number of nodes for distributed training
--local_rank LOCAL_RANK
node rank for distributed training
--fp16 Use fp6
```
Example:
```
python -m torch.distributed.launch --nproc_per_node=<num_gpu> facemask_detection/inference.py \
-i <input_path> \
-w <path to weights> \
-o <path to the output_csv> \
-c <path to config>
-b <batch size>
```
نیازمندی
| مقدار | نام |
|---|---|
| - | albumentations |
| - | timm |
| - | pytest |
نحوه نصب
نصب پکیج whl facemask-detection-0.0.4:
pip install facemask-detection-0.0.4.whl
نصب پکیج tar.gz facemask-detection-0.0.4:
pip install facemask-detection-0.0.4.tar.gz