构建情绪检测应用程序

Posted 2021-11-23 woshicver

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了构建情绪检测应用程序相关的知识，希望对你有一定的参考价值。

计算机视觉（Computer Vision，CV）可能是一个理论性很强的领域，需要有大量的ML和数学知识来理解为诸如目标检测、人脸识别和目标跟踪等主题提供动力的算法。

如果你在理论上没有经验，或者没有时间构建定制的ML/CV模型，那么AWS Rekognion使你能够通过API调用构建功能强大的CV应用程序。

AWS Rekognion是AWS提供的众多汽车AI服务之一。这些服务是为那些在ML方面没有太多背景知识的开发人员，或者是时间不多的数据科学家提供的，他们可以快速构建功能强大的ML应用程序，或者根据你可能正在开发的自定义模型对性能进行基准测试。

AWS Rekognion是AWS上用于计算机视觉的事实上的自动人工智能服务。如果你对构建自定义模型感兴趣，请查看AWS SageMaker和我关于如何在那里部署自定义TensorFlow模型的文章：https://towardsdatascience.com/training-and-deploying-custom-tensorflow-models-with-aws-sagemaker-72027722ad76。

在本文中，我们将构建一个Streamlight应用程序，该应用程序接受图像并使用Rekognion返回图像中检测到的情感。

注意：对于那些刚接触AWS的人（最好有一些经验来完全理解这篇文章），如果你想继续学习，请确保在下面的链接上创建一个帐户：https://aws.amazon.com/console/。

我还将提供我们将使用的服务列表，以及更深入的定义。如果你已经熟悉这些服务，请跳到代码演示。

AWS服务

AWS Rekognition：AWS主要的汽车AI计算机视觉服务。具有从人脸检测、文本检测到目标跟踪的大量特征。

AWS S3:Amazon的存储服务，我们将使用此服务存储我们的训练数据和模型/信息。

Boto3:AWS软件开发工具包（SDK），用于Python开发人员，可以使用它来处理AWS服务。对于这个用例，我们将使用Boto3与S3访问我们的图像并调用Rekognition。

身份访问和管理（IAM）：允许你通过权限和角色管理AWS服务的访问。使用我的代码时，你可能希望通过AWS CLI对用户进行身份验证。如果你需要安装方面的帮助，这里有一篇文章详细介绍了该过程：https://blog.gruntwork.io/authenticating-to-aws-with-the-credentials-file-d16c0fbcbf9e。

设置Streamlight应用程序

在开始处理Rekognition部分之前，我们需要设置web应用程序。

我们希望我们的应用程序能够上传一个文件，然后我们可以在后端使用Rekognion进行处理。

Streamlit有一个整洁的文件上传功能，我们可以在这个用例中使用它。我已经创建了一个样本图像的小目录，我们可以调用它进行分析。

import streamlit as st
import boto3 

# S3 Bucket
s3 = boto3.resource('s3', region_name = 'us-east-1')
inputFile = st.file_uploader("Image for Emotion Detection", type = "jpeg")

# 将文件上传到S3
if inputFile is not None:
    imageFileName = inputFile.name
    S3Name = "streamlit-" + imageFileName
    s3.meta.client.upload_file(f"./TestImages/{imageFileName}", imagesBucket, S3Name)

我们从示例图像目录中捕获该文件。然后，我们使用Boto3与S3协作，将本地图像存储在我们创建的S3 bucket中。

要创建S3 bucket，你可以转到AWS控制台并手动创建，或者如果你有AWS CLI设置，则只需运行AWS mb unique-bucket-name来创建你的bucket。

我们需要S3中的数据，因为Rekognition直接与S3集成用于API调用，因此需要将图像上传到S3的代码。

我们现在有了Streamlight应用程序，可以接受图像并将其推送到S3，以便与Rekognion一起工作。

整合Rekognition

我们现在可以专注于在样本图像上运行情感检测。Rekognition在detect_faces中有一个API调用，它获取输入图像并返回各种参数，例如：年龄范围、性别、睁眼、情绪等。

在本应用程序中，我们将重点关注情绪参数。我们首先需要为Rekognition创建一个boto3客户机，就像我们对S3所做的那样。

rekogClient = boto3.client('rekognition', region_name = 'us-east-1')

我们现在有了客户端，现在可以将适当的数据提供给detect_faces API调用。

# 情绪检测
response = rekogClient.detect_faces(
    Image = {
        'S3Object': {
            'Bucket': imagesBucket,
            'Name': S3Name
        }
    },
    Attributes = ['ALL']
)

现在，我们已经得到了API响应，我们希望解析输出以关注脸部检测到的情绪。下面显示了我们为演示上传的示例图像。

现在，我们解析响应以显示大多数情绪和检测到的所有其他情绪，以及Rekognion在情绪中的信心分数。

st.subheader("Main Emotion Detected")
emotions = response['FaceDetails'][0]['Emotions']
for emotion in emotions:
    confidence = emotion['Confidence']
    if confidence >= 50:
        st.write("Majority Emotion: " + emotion['Type'])
        st.write("Confidence Score: " + str(confidence))



st.subheader("All Emotions Detected")
for emotion in emotions:
    st.write(str(emotion['Type']) + ": " + str(emotion['Confidence']))

现在，如果我们使用streamlit run filename.py运行streamlit应用程序，我们将看到我们的应用程序成功运行。