End to end Online ASL learning platformのダウンロード - End to end Online ASL learning platformソースコードダウンロード

End to end Online ASL learning platform

その他のカテゴリー

1.0.0

ダウンロード

ASL認識

Asllocal Folder -Linked Project
ASLMLフォルダー-SeperateMLコード
ASLRETRAINMLフォルダー - 再訓練用の分離MLコード
AWSLECATED-AWSでコードをホストすることに関連するファイル

ゼロから - モデルを構築し、アプリケーションを実行して画像に推論を実行する

仮想環境を使用してセットアップすることは、Pythonの他の既存のバージョンではないバージョン（3.8〜3.11）と競合しないようにすることをお勧めします。 Scikit-Learnライブラリの要件により、Pythonバージョンは制限されています。このSCIKIT-LEARNバージョン（1.4.0）インストールは、要件によって処理されます。仮想環境を使用しないことに決めた場合は、Pythonの他のバージョンをアンインストールしてください。また、requistry.txtファイルにリストされている依存関係の既存の非適合性バージョンも確認してください。これはちょっとした雑用である可能性があるため、代わりに仮想環境を使用して、Pythonにあなたのために許容可能なバージョンをすべて把握できるようにすることが最善です。

1-使用可能な64bit Pythonバージョンをダウンロード/インストール（3.8〜3.11の間）

2 -Windowsコマンドからプロンプトインストールvirtualenv –example：pipインストールvirtualenv

3-プロジェクトディレクトリにvirtualenvを作成します - 例：python -m virtualenv - python python310 asl [python 3.10を使用する場合] - Pythonのバージョンがシステムにインストールされているかを確認します。 -Scope currentuser -executionPolicy無制限 - フォース

4-プロジェクトディレクトリ内から新しいvirtualenvをアクティブにする-example：。 asl scripts activate

5-アクティブ化されたvirtualenvを示す更新コマンドプロンプトを表示する必要があります-Example：（ASL）PS C： Projects Capstone ASL

6 -virtualenvが使用するpythonのバージョンを確認します - 例：python -version -output：python 3.10.0 [またはバージョンは何でも]

7 -virtualenvディレクトリへのcd -example：cd asl

8-ローカルマシンへのクローンgithubリポジャンプ：git clone https://github.com/cpetrella-sketch/asl-recognition.git - output： "asl- recognition 'へのクローニング...リモート：列挙オブジェクト：518、完了。リモート：オブジェクトのカウント：100％（88/88）、完了。リモート：オブジェクトの圧縮：100％（54/54）、完了。リモート：合計518（デルタ35）、再利用72（デルタ27）、パックリューズ430受信オブジェクト：100％（518/518）、40.60 MIB | 3.62 mib/s、完了。 Deltasの解決：100％（270/270）、完了。

9-必要なPython依存関係をインストールする-Change Directory：CD。 asl -recognition aslml
- インストール依存関係 - 例：pip install -r requiction.txt -output：...収集パッケージのインストール：...

10-以下のリンク–full_training_dataset.zip（2.51 GB）https://drive.google.com/file/d/1ups86xkwbjnrwf7qnhexk4infllgjvtk/viewo？〜。

–full_testing_dataset.zip（38.8 mb）https://drive.google.com/file/d/1urn66jntxcs-s_1kvrsh11pe3vbp3vd-/view？usp = sharing - exctract and save〜。〜。

11- full_training_dataset画像からランドマークデータセットの作成 - 例：内部から./asl-Recognition/aslml/から - create_dataset.py内部、「samplysizepercentage」を希望のサンプルレートに変更します。デフォルトは、すべての画像の100％に設定されています。 - python。 create_dataset.py - 出力：現在、ディレクトリAで作業しています...現在ディレクトリBで作業しています...

データセットのサンプルサイズ選択：10％処理された画像の総数（完全なデータセットの10％）：8033の成功検出（79.73359890451886％）：6405検出の失敗：1628ランドマーク検出完了... X/Y座標とラベルを「データとラベルをエクスポートします。

12-最良のランダムフォレスト分類器パラメーションを見つけて、データセットでモデルをトレーニングします - 例：〜。/asl -recognition/aslml - python。 train_classifier.py - 出力：テストのために20.0％で20.0％でデータをテストとトレーニングに分割します。

開始グリッド検索... 16人の候補者のそれぞれに5倍のフィット、合計80フィット[CV] end bootstrap = true、max_depth = none、min_samples_leaf = 1、min_samples_split = 2、n_estimators = 100;合計時間= 5.1S [CV] END BOOTSTRAP = true、max_depth = none、min_samples_leaf = 1、min_samples_split = 2、n_estimators = 100;合計時間= 5.4S…[cv] end bootstrap = false、max_depth = 10、min_samples_leaf = 2、min_samples_split = 2、n_estimators = 200;合計時間= 9.6S [CV] END BOOTSTRAP = FALSE、MAX_DEPTH = 10、MIN_SAMPLES_LEAF = 2、MIN_SAMPLES_SPLIT = 2、n_estimators = 200;合計時間= 9.2秒ここに見つかった最良のパラメージがあります：

{'bootstrap'：false、 'max_depth'：none、 'min_samples_leaf'：1、 'min_samples_split'：2、 'n_estimators'：200}分類レポート：

          precision    recall  f1-score   support

       S       0.74      0.95      0.83        58
       T       0.94      0.96      0.95        53
       U       0.67      0.73      0.70        56
       V       0.81      0.75      0.78        59
       W       1.00      0.96      0.98        56
       X       0.98      0.94      0.96        52
       Y       0.97      0.97      0.97        58

accuracy                           0.91      1281

マクロAVG 0.92 0.91 0.91 1281加重平均0.92 0.91 0.92 1281

91.49102263856362％のサンプルが正しく分類されました

実行時間：103.0892658236426秒

13-新しいテストデータで新しく作成されたモデルの精度をテスト - 例：〜。/asl -recognition/aslml - python。 disecetetester.py - output：emage file：hand2_a_dif_seg_2_cropped。

画像ファイル：a0001_test.jpgユーザーのランドマークが正常に検出されました画像：a0001_test.jpg

モデルは、a dirnameが次のと予測されています：正しい!!

画像ファイル：a0024_test.jpgユーザーのランドマークが正常に検出されました画像：a0024_test.jpg

モデルは、a dirnameが次のと予測されています：正しい!! …

画像ファイル：hand3_y_dif_seg_5_cropped.jpegユーザー画像でランドマークが正常に検出されました：hand3_y_dif_seg_5_cropped.jpeg

モデルは、y dirnameが次のと予測されています。

RandomForestClassiferトレーニングモデルの使用：成功したランドマーク検出率：69％の割合成功状態のレター予測検出：76％

利用可能なテスト画像の総数：2510 26％ランダムサンプリング。処理された画像の総数：622正しい予測の総数：332誤った予測の総数：103成功したランドマーク検出の総数：435失敗したランドマーク検出の総数：187

アプリケーションを使用します

14-新しく作成されたモデルをCGI -Binにコピーする - 例： 'aslmodel.job' from 'をコピーする~~。 asl-recognition aslml models 'to'~~ 。 asl -recognition asllocal build models '15-内側から'〜。 asl -recognition asllocal build 'ディレクトリ、Webサーバーの起動-python -m http.server - CGI 8990 - 出力：出力：HTTPの提供::ポート8990

アプリケーションを使用します

1-ウェブブラウザーを開き、Webページにアクセスする - 例：http：// localhost：8990 2-推論のために.jpg aslジェスチャー画像をアップロード - 「アップロードファイル」ボタンをクリックします - ローカルストレージから画像を選択 - ステータスポップアップを待つ -

拡大する

追加情報