Используя данный проект, вам больше не придется множество раз делать swipe в приложениях по типу Tinder и Badu. Вы сможете обучить нейросеть в соответствии со своими предпочтениями, а далее интегрировать её для связки с нужным вам приложением. Нейросеть будет подсказывать вам, понравится вам конкретный партнёр или нет.
С помощью написанных мной скриптов вы сможете реализовать проекты для личного пользования, где вам требуется сгенерировать датасеты, разделённые на классы категорий, а затем обучить и протестировать на них нейронную сеть.
Для тренировки нейронной сети подготовлено несколько скриптов на Python:
| Название файла со скриптом | Назначение |
|---|---|
image_generator.py |
генерация случайных изображений на основе загруженных в папку images-for-dataset фотографий с теми людьми, кто вам нравится внешне и кто нет (папки like и dislike соответственно) |
face_detector.py |
поиск лица на изображениях при первичной обработке (самостоятельно запускать его не требуется, поскольку файл включён в работу image_generator.py) |
CNN.py |
создание и тестирование на материале обучения модели нейронной сети на основе собранного с помощью image_generator.py датасета (используется как train, так и test выборка) |
CNN_test.py |
проверка предсказаний нейронной сети на основе валидационной выборки из папки validation-images |
Данный проект можно использовать для генерации датасетов для ЛЮБЫХ классов в ваших конкретных случаях, заменив папки like и dislike на другие (подходящие под ваши задачи, например "cats" и "dogs"), а также изменив в соответствии с названиями классов переменную variations в скриптах проекта
Если вашему проекту не нужно распознавать лица - просто уберите из кода ту часть, которая отвечает за поиск лица на изображении и последующую обрезку либо замените её на другой фрагмент с распознаванием, подходящим под ваши задачи.
Я взяла изображения с двумя персонажами игры Detriot: Become Human и поместила их в папку images-for-dataset.
Изображения с Коннором, как с более привлекательным для меня персонажем, я добавила в папку like.
Изображения с Маркусом и Саймоном, которые далеки от моего типажа в плане внешности, я поместила в папку dislike:
После того, как в папку было добавлено большое количество изображений - можно начинать генерацию датасета, запустив файл image_generator.py.
Это может занять до нескольких минут (каюсь, нужно оптимизировать код, на что в ночное время меня уже не хватает 😄)
После вывода в консоли надписи Done! можно приступать к обучению нейронной сети. Для этого потребуется запустить файл CNN.py.
Не забудьте поставить CUDA от NVIDIA для быстрого и комфортного обучения с помощью видеокарты.
После завершения обучения в консоли будет выведено сообщение Model is successfully stored and tested!, а в папке появится тяжеловесный файл обученной модели нейронной сети под названием true-love-model.h5. С результатами обучения можно ознакомиться в файле model_summary.txt. Если вас не устраивает результат - вы всегда можете скорректировать параметры под себя, учитывая размеры изображений, желаемое количество карт признаков, архитектуру нейронной сети и т.д.
Для тестирования на валидационной выборке достаточно запустить CNN_test.py, после чего можно увидеть успешные и ошибочные срабатывания нейросети, показанные цветовой пометкой в консоли (красный цвет - значит ошибочное срабатывание). Изображения для валидационнной выборки были отобраны на момент генерации датасета и не входят в выборку, на которой проводилось обучение.