End to end Online ASL learning platform
1.0.0
처음부터 - 이미지에서 추론을 수행하기 위해 모델 빌드 및 실행 응용 프로그램
가상 환경을 사용하여 설정하는 것은 기존의 다른 기존 및 호환되는 버전의 파이썬 (3.8에서 3.11 사이)과 충돌하지 않도록 권장됩니다. 파이썬 버전은 Scikit-Learn 라이브러리 요구 사항으로 인해 제한됩니다. 이 Scikit-Learn 버전 (1.4.0) 설치는 요구 사항에 따라 처리됩니다. 가상 환경을 사용하지 않기로 결정한 경우 다른 호환되지 않은 버전의 Python을 제거하십시오. 또한 요구 사항 .txt 파일에 나열된 기존 비 호환 버전의 종속성을 확인하십시오. 이것은 약간의 집안일 일 수 있으므로 대신 가상 환경을 사용하고 Python이 허용 가능한 모든 버전을 파악하게하는 것이 가장 좋습니다.
1- 사용 가능한 64 비트 파이썬 버전 다운로드/설치 (3.8에서 3.11 사이)
2- Windows From Windows 명령 프롬프트 설치 virtualenv - 예 : PIP 설치 VirtualEnv
3- 프로젝트 디렉토리에서 VirtualEnV를 만듭니다 -예 : Python -m virtualenv -Python Python310 ASL [Python 3.10을 사용하는 경우] -시스템에 어떤 파이썬 버전이 설치되어 있는지 확인하려면 : PY -0 -! 경고 : Windows/PowerShell을 사용하도록 실행할 수 있도록 실행 정책을 변경해야 할 수도 있습니다. -scope currentuser -ExecutionPolicy 무제한 -Force
4- 프로젝트 디렉토리 내부에서 새 Virtualenv 활성화 -예 :. asl scripts activate
5- 활성화 된 virtualenv를 보여주는 업데이트 된 명령 프롬프트가 표시됩니다.
6- VirtualEnv에서 사용하는 파이썬의 체크 버전 -예 : Python -Version -Output : Python 3.10.0 [또는 버전이 무엇이든]
7- virtualenv 디렉토리로의 CD- 예 : CD ASL
8-Clone Github Repo에 로컬 컴퓨터-예 : Git 클론 https://github.com/cpetrella-sketch/asl-recognition.git- output : 'Asl-recognition'으로 클로닝 ... 원격 물체 : 518, 완료. 원격 : 계산 물체 : 100% (88/88), 완료. 원격 : 압축 물체 : 100% (54/54), 완료. 원격 : 총 518 (델타 35), 재사용 72 (델타 27), 팩에 대한 430 개의 수신 물체 : 100% (518/518), 40.60 MIB | 3.62 MIB/S, 완료. 델타 해결 : 100% (270/270), 완료.
9- 필수 파이썬 종속성 설치 -Change 디렉토리 : CD. ASL -Recognition ASLML
-InStall 종속성 -예 : PIP 설치 -r 요구 사항 .txt- 출력 : ... 수집 된 패키지 설치 :
10- 아래 링크에서 교육 및 테스트 데이터 세트를 다운로드하십시오 –full_training_dataset.zip (2.51 GB) https://drive.google.com/file/d/1ups86xkwbjnrwf7qnhexk4infllgjvtk/view?usp=sharing 및 저장하십시오. ~./asl-recognition/aslml/data/-dir to dir 경로는 다음과 같습니다. ~./ASL-recognition/aslml/images/full_training_dataset/-디렉토리는 알파벳에 각 문자에 대해 하나의 서브 디렉토리가 있어야합니다 (J, Z 제외).
–full_testing_dataset.zip (38.8 mb) https://drive.google.com/file/d/1urn6jntxcs-s_1kvrsh11pe3vbp3vd-/view?ussp=sharing –Soxtract ~ ~ asl-recognition/aslml/-dir to the wath to wath to wath to wath to wath to wath to wath to wath to wath to wath to wath to the wor. ~./asl-recognition/aslml/images/full_testing_dataset/-디렉토리는 알파벳에 각 문자에 대해 하나의 서브 디렉토리가 있어야합니다 (j, z 제외)
11- full_training_dataset 이미지에서 랜드 마크 데이터 세트 생성 - 예 : 내부에서 ./asl-recognition/aslml/ - create_dataset.py 내부에서“sampleSizeperCentage”를 원하는 샘플 속도로 변경하십시오. 기본값은 모든 이미지의 100%로 설정됩니다. - Python.
선택된 데이터 세트 샘플 크기 : 10% 총 이미지 수 (전체 데이터 세트의 10%) : 8033 성공적인 탐지 (79.73359890451886%) : 6405 검출 실패 : 1628 랜드 마크 감지 완료 ... X/Y 코디 및 라벨 내보내기 '데이터'실행 시간 : 2184 초
12- 최상의 임의의 임의 포리스트 분류기 매개 변수를 찾고 데이터 세트에서 모델을 훈련시킵니다 - 예 : From ~./ASL -Recenition/ASLML - Python. TRAIN_CLASSIFIER.PY - 출력 : 테스트를 위해 20.0% 예약 된 테스트 및 교육으로 데이터를 분할하십시오.
그리드 검색 시작 ... 16 명의 후보자 각각에 대해 5 배, 총 80 피트 [CV] 엔드 부트 스트랩 = true, max_depth = none, min_samples_leaf = 1, min_samples_split = 2, n_estimators = 100; 총 시간 = 5.1S [CV] END BOTSTRAP = true, max_depth = none, min_samples_leaf = 1, min_samples_split = 2, n_estimators = 100; 총 시간 = 5.4S… 총 시간 = 9.6S [CV] end bootstrap = false, max_depth = 10, min_samples_leaf = 2, min_samples_split = 2, n_estimators = 200; 총 시간 = 9.2s 여기에 가장 좋은 매개 변수가 있습니다.
{ 'bootstrap': false, 'max_depth': none, 'min_samples_leaf': 1, 'min_samples_split': 2, 'n_estimators': 200} 분류 보고서 :
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
매크로 AVG 0.92 0.91 0.91 1281 가중 AVG 0.92 0.91 0.92 1281
샘플의 91.491022263856362%가 올바르게 분류되었습니다
실행 시간 : 103.08926582336426 초
13- 새로운 테스트 데이터에 대한 새로 생성 된 모델의 정확도 - 예 : ~./asl -recognition/aslml - python.
이미지 파일 : a0001_test.jpg 사용자 이미지에서 랜드 마크를 성공적으로 감지했습니다 : a0001_test.jpg
모델은 A Dirname을 예측했습니다.
이미지 파일 : a0024_test.jpg 사용자 이미지에서 랜드 마크를 성공적으로 감지했습니다 : a0024_test.jpg
모델은 A Dirname을 예측했습니다. …
이미지 파일 : hand3_y_dif_seg_5_cropped.jpeg 사용자 이미지에서 랜드 마크를 성공적으로 감지했습니다 : hand3_y_dif_seg_5_cropped.jpeg
모델은 Y Dirname을 예측했습니다.
RandomforestClassifer 사용 훈련 모델 사용 : 성공적인 랜드 마크 탐지 백분율 : 69% 성공적인 편지 예측 탐지 : 76%
사용 가능한 총 테스트 이미지 수 : 2510 26% 랜덤 샘플링. 처리 된 총 이미지 수 : 622 총 정확한 예측 수 : 332 부정확 한 예측 수 : 103 총 성공적인 랜드 마크 탐지 수 : 435 실패한 랜드 마크 탐지 수 : 187
응용 프로그램을 사용하십시오
14- 새로 생성 된 모델 복사 CGI -BIN - 예 : 'aslModel.job'에서 복사 . .
응용 프로그램을 사용하십시오
1- 웹 브라우저를 열고 웹 페이지에 액세스하십시오. 예 : http : // localhost : 8990 2- 추론을위한 .jpg asl gesture intresering - "파일 업로드"버튼을 클릭하십시오 - 로컬 스토리지에서 이미지를 선택하십시오 - 상태 팝업 대기 - 8990 성공 - "Ok" - 이미지 업데이트 및 결과를 클릭하십시오.
