人脸口罩识别
本节课将提供数据集和实现lenet-5模型从代码到训练的过程
通过百度网盘分享的文件：人脸口罩项目.zip
链接：https://pan.baidu.com/s/1A7qqsRYP4MD1hKInQeAL_Q?pwd=cwy4
提取码：cwy4
--来自百度网盘超级会员V2的分享
Conda activate -n tf_gpu_face python=3.8
conda activate tf_gpu_face
图像预处理
运行图像预处理.py
每次只能用一个程序，也就是你在用demo1的时候需要将demo2注释掉，因为show只能显示一个窗口，和cv2是有些区别的。
demo1()是用人脸检测模型对图像的人脸区域进行检测，是以前人脸考勤机项目的一部分
demo2()是对人脸区域进行保留，只保留人脸区域，为后续训练做准备
demo3()#完成对人脸的筛选和进行预处理
demo4()#进度条显示所有label处理进度 并存储numpy中
cnn简单回顾
cnn是如何识别猫的
按人脑是通过识别猫的眼睛鼻子耳朵拼凑在一起，然后大脑判断这是猫
假设识别一个数字9，我们可以用同样的方法，识别一个圆圈，竖线，斜线在途中的位置，然后将这3个特征在途中的位置对应起来，就是我们的数字9.
卷积层
根据图片9的数据形状，我们对圆圈、竖线、斜线的过滤器进行了定义，在CNN中这些过滤器是自动完成的，不需要人为去设置，他会自动根据目标的现状去设置最合适的过滤器，所以说神经网络是端到端的模型。而在我们前面学习的机器学习svm中就需要手动设置这些过滤器，比如SVM-HOG，HOG就是那个过滤器，然后才能通过HOG获取特征，然后用SVM去训练。
所以识别猫也一样，我们通过cnn设置一个眼镜鼻子耳朵的过滤器，然后检测这3个特征图中的位置，然后将眼睛鼻子耳朵拼凑在一起就是猫的头了。
最后将所有的特征进行组合就能判断这个区域是不是猫
激活函数
池化层
讲完卷积层，接下来说说池化层，池化层的作用是降低图像复杂度，就是减少计算量
设置cnn模型
这里我使用的是leNet-5，我们通过这个模型来学习cnn，通过lenet-5的架构可以看出和我们前面设置的卷积、激活、池化好像差不多，只是后面有个flatten、fc166relu、fc22relu、fc3sigmoid，fc是全连接层的意思，flatten是将卷积拉长为一维，但是我们口罩识别只有3个类别，所以拉长为一维和3个类别（正常佩戴、未佩戴、佩戴不标准）不匹配，我们需要用fc金字塔架构进行浓缩，这里用了3个fc最后浓缩到了3个类别。
代码介绍
运行模型训练.py
根据程序安装对应的包，最后训练完口罩识别模型
准确率还是挺高的
运行测试模型.py程序
我在窗口打印了类别和识别率
接着运行demo.py,由于视频分辨率问题，识别的效果可能没那么好，你那把输入改成摄像头
cap = cv2.VideoCapture(0)#效果可能会好一点
口罩识别先进行到这里，后续将开发在树莓派上跑口罩识别
树莓派上运行模型
树莓派的安装环境请参考环境安装
先配置好opencv和tflite，估计要花个一天
通过网盘分享的文件：人脸口罩树莓派版.zip
链接: https://pan.baidu.com/s/1kJ9Urta_qNY7nXdGEXk-xw?pwd=47ye 提取码: 47ye
--来自百度网盘超级会员v2的分享
然后就可以把我的demo程序拉到你的树莓派上，然后python3 rasp_fast.py
如果是python rasp_fast.py是会报错的，需要python3运行。
这个是tfdemo.py的运行情况，只有2fps
这个是rasp_fast.py的运行情况，有8fps
rasp_fast.py：
-
使用的
fdlite采用了轻量级的模型，专门针对边缘设备（如树莓派）设计，因此计算量较小，运行速度更快。
tfdemo.py：
-
OpenCV 的 DNN 模型（如 Caffe 模型）通常较为复杂，需要更多的计算资源。尽管 OpenCV 在大多数平台上很高效，但在像树莓派这样的设备上，复杂的模型可能会导致处理速度变慢。