构建面部识别工具的机器学习技巧

如何创建机器学习模型

首先，在创建模型时要注意以下几点:不要像传统软件开发那样定义需求、设计系统或算法、编写代码、测试或迭代。

使用机器学习，你必须以一种容易受到机器学习影响的方式来描述问题，然后你必须理解你是否有可以帮助解决问题的数据。接下来，定义一个模型，使用训练数据训练模型测试模型，希望你的培训成功的可能性很高。如果没有，你就调整你的模型并重新培训。

人脸识别应用开发

我们的一个客户来找我们帮忙开发一款应用程序，让安全签到办公场所变得更简单。客户要求简化访客签到过程并避免重复的数据输入。当有人登记到办公室时，他们必须在前台的平板电脑上输入一些信息，包括姓名和电话号码。出于隐私的原因，每次都需要重新输入，因为我们不能简单地提供一个之前登记过的所有人的列表。对来访者来说，重新输入这些信息是重复的，但对客户来说，知道谁在办公室以及如何与他们取得联系是很重要的。为了使这一过程自动化，并为信息提供安全保障，我们决定使用面部识别来识别访客，并了解他们以前是否来过办公室。如果他们之前在那栋楼里，我们会有一张照片在他们再次拍照时可以认出他们。我们决定使用机器学习、开源工具和开源项目作为基准。毫不奇怪，我们找到了现有的工具来开发这个应用程序。

在现有应用程序中，当访客首先到办公室时，他们填写了平板电脑的信息，而平板电脑拍摄了他们的照片。登记工具现在具有配置文件和可用于识别每个人的图像。

要创建这个面部识别系统，我们使用了一些现成的机器学习和计算机视觉(CV)组件:

• Python：一般是当今机器学习选择的语言。
• Tensorflow:一个开放源码的机器学习和神经网络工具包。Tensorflow是用于数值计算和大规模机器学习的库。
• scikit-learn:简单有效的数据挖掘和数据分析工具。
• scipy:科学和技术计算的免费和开放源码库。
• numpy：一个Python库，支持大型多维阵列，具有大型功能库，用于在这些阵列上运行。
• OpenCV:一个针对实时计算机视觉的开源函数库。

这些都是机器学习项目中非常常用的工具。我们一直在使用和调整开放源代码，将所有这些组件捆绑在一起，包括使用Tensorflow的人脸识别GitHub项目。

开发要做面部识别的代码和工具很重要，但如上所述，机器学习的核心是培训模型，直到测试数据的结果 - 从未在训练期间进行评估 - 提供高度足够高的水平成功地说，发达的神经网络算法可以识别设置的人 - 在这种情况下，检查前台。

数据在这里也很重要。最佳实践说明您应该有培训数据、验证数据和测试数据。组织使用训练数据(模型从中学习的数据)来训练模型。机器学习专家使用验证数据来检查训练过的模型。机器学习专家可能会根据这种验证改变或调整输入。这是开发模型的迭代过程的一部分。除了最后的测试步骤，机器学习模型永远不会看到测试数据。它是只在模型完全训练后才使用的黄金标准。它可以用来比较两种不同的、经过训练的模型的成功。

预处理和训练过程如下所示:

1. 发现面对:找到图像中的脸。真实世界的图像包含的不仅仅是脸，所以你必须首先隔离组成脸的各个部分。
2. 摆姿势和投影面部：即使每个图像具有相同的比例，即使是最好的计算机算法也在更好地工作。我们需要对准图像框架内的面部，以改善其与机器学习模型的使用。
3. 计算脸部嵌入脸部：人类使用人类可读的视觉特征来描述人脸之间的差异，如鼻子大小、脸宽或眼睛颜色。我们使用神经网络来自动确定机器可读的特征。
4. 使用嵌入培训模型：我们用图像训练模型或使用训练模型的步骤。

一旦我们对模型进行了训练和测试，我们就可以部署它，这样平板电脑程序就可以使用它来检查新创建的图像，看看它们是否与以前去过办公室的人相符。

我们创建了一个web API，平板电脑应用程序用它来发送一张照片，以便将新图像与图像数据库进行匹配。

机器学习仍然是一项相对新生的技术，但它的应用开始变得更加普遍。随着我们开始更好地理解机器学习的最佳实践和用途，组织必须准备好与竞争保持一致的技能。

所有物联网议程网络贡献者对其帖子的内容和准确性负责。观点是作者的，并不一定传达物联网议程的思想。