Motivación: En los últimos meses se ha visto el incremento de las cifras de contagio por COVID-19 a nivel mundial, expertos indican que para parar la rápida propagación de este virus y proteger su salud, muchas de las personas deben usar mascarillas, las cuales deben cumplir con ciertos estándares que disminuye los porcentajes de contagio.
Para el presente trabajo, se uso librerías de tensorflow en Raspberry pi, los cuales ayudarán a identificar el tipo de mascarilla que usa una persona o si no porta una mascarilla.
Esto motiva este trabajo para desarrollar un modelo de aprendizaje profundo que detecte si una persona usa una máscara facial y qué tipo de máscara facial usa la persona. El tipo de mascarillas se relaciona con la efectividad de la máscara. Potencialmente, el modelo se puede implementar en supermercados locales o edificios escolares para controlar la puerta automática, que solo se abre a personas con máscaras faciales.
Datos:
Las etiquetas correspondientes son:
- hecho en casa
- quirúrgico
- N95
- Sin mascarilla
Las imágenes se recopilan de las imágenes de Google y Upslash. El complemento de Chrome llamado Fatkun que descarga imágenes por lotes es muy útil. Sin embargo, las imágenes deben seleccionarse cuidadosamente para garantizar la calidad y la diversidad del conjunto de datos. No hay una buena respuesta a cuántas imágenes son suficientes. Para un modelo pequeño, 200 imágenes por clase y deberían ser representativas de las posibles subclases que encontrará el modelo. Los ejemplos se muestran a continuación:
- hecho en casa
- quirúrgico
- N95
- Sin mascarilla
Entrenamiento de modelado
1.- Configure el entorno y el espacio de trabajo de TensorFlow
2.- Preprocesar las imágenes para el entrenamiento.
3.- Crear mapas de etiquetas y registros de TensorFlow
4.- Elige un modelo y comienza a entrenar
5.- Exporte el modelo y pruébelo
6.- Exportar el modelo a Raspberry Pi
Conclusión y conclusiones
La parte más tediosa y lenta fue la recopilación y el preprocesamiento de los datos. Configurar el entorno TensorFlow también puede ser complicado, lo que esperamos se resuelva en un futuro próximo a medida que TensorFlow se vuelva más automatizado. Las principales conclusiones son:
- Los datos de la vida real son complejos. Debemos seleccionar las imágenes representativas de cada clase.
- El aprendizaje de transferencia es útil cuando tenemos un pequeño conjunto de datos
- Deberíamos apegarnos a la guía de creación rápida de prototipos y refinar el modelo de forma iterativa
- Y finalmente, sin duda, use una máscara en lugares públicos sin importar de qué tipo
Referencias: https://towardsdatascience.com/which-ma ... c7004641f1