Skip to Tutorial Content

1) Einführung

Vorbereiten des Datensatzes

Erklärungen

  • Die Studierenden erlernen hier die Machine Learning Technik der Bilderkennung.
  • Auf dieser ersten Seite erlernen die Studierende die Dimensionen von Bildern kennen und wie diese verändert (komprimiert) werden können.
  • Ziel ist, anhand von 3000 Bildern einen Algorithmus zu kalbirieren, welcher das Geschlecht der abgebildeten Person vorausssagen kann.

Ziel des vorliegenden Tutorials ist, anhand von 3000 Bildern einen Algorithmus auf die Erkennung des Geschlechtes von abgebildeten Personen (männlich oder weiblich) zu trainieren.

Im Datensatz für dieses Tutorial sind 3000 Bilder von Studierenden und einem Dozierenden der FHNW gespeichert. Geben Sie sich in untenstehendem R-Code das Bild img1 mit der Funktion plot() aus. Geben Sie zusätzlich die Dimension des Bildes über die Funktion dim() aus. Die Funktionen sind dem R package imager entnommen. Insbesondere werden Bilder über den Befehl load.image() geladen. Dies brauchen Sie aber im vorliegenden Tutorial nicht. Weitere Funktionen des Paketes sind resize() und weitere.

plot(img1,main="Unser Bild img1",font.main=2)
dim(img1)

Wie Sie sehen ist das letzte Bild mit Nummer 1 eine Frau. Die y- und x-Achsen Beschriftungen zeigen die Pixel-Nummern in der x- und y-Dimension des Bildes an. Die Funktion dim() gibt diese Dimension zurück und besagt, dass das Bild aus 128 Pixeln in der x-Dimension, 128 Pixeln in der y-Dimension, 1 Bild (bei einem Video wäre diese Dimension z.B. 1000 für 1000 Bilder des Videos) und 3 Farbstufen (RGB-Codierung) besteht.

Um einen Bilderkennungs-Algorithmus zu trainieren, müssen Bilder zuerst transformiert werden. Jedes unserer 3000 Bilder besteht nun aus \(128\cdot 128 = 16384\) Pixel, und jedes Pixel ist mit 3 Sättigungswerten der Farbstufen Rot-Grün-Blau (RGB) hinterlegt. Jedes Bild besteht also aus \(128\cdot 128 \cdot 1 = 16384\) Zahlen zwischen 0 und 1. Natürlich können wir nicht aus dieser Informationsmenge einen Algorithmus auf die Erkennung von nur 3000 Bildern trainieren. Wir müssen die Bilder also zuerst komprimieren.

Zur Komprimierung eignen sich somit die Dimension der x-Pixel, der y-Pixel und der Farbgebung. Es ist zu erwähnen, dass im vorliegenden Tutorial alle Bilder die gleichen Dimensionen beinhalten. Darauf ist im Allgemeinen (für einfachere Algorithmen) zu achten. Mit der Funktion resize() können Sie Bilder (und Videos) in den vorherig genannten vier Dimensionen komprimieren. Achten Sie aber darauf, dass Sie das Seitenverhältnis der Bilder beibehalten. Das heisst, Sie sollen die Pixel der x- und y-Dimension mit dem gleichen Faktor komprimieren. Komprimieren Sie nun das Bild img1 in der x- und y-Dimension um den Faktor 3 und geben Sie es aus.

mypic <- resize(img1,dim(img1)[1]/3,dim(img1)[1]/3,1,3)
plot(mypic,main="Unser Bild img1",font.main=2)
dim(mypic)

Das Bild ist aber immer noch farbig. Für einen ‘einfachen’ Gesichts-Erkennung Algorithmus arbeiten wir mit schwarz-weissen Bildern, das heisst mit Graustufen. Dies erreicht man, indem in der Funktion resize() das letzte Argument auf 1 gesetzt wird. Sie können mit untenstehendem Bild nun mit den Dimensionen der Anzahl Pixel und Anzahl Graustufen die Veränderung der Bildgebung beobachten.

Wird der obig genannte Skalierungs-Faktor auf \(12\) gestellt und eine schwarz-weiss Farbgebung gewählt, so ergibt sich ein Bild der Dimension c(10,10,1,1). Das menschliche Auge erkennt das Geschlecht der abgebildeten Person nicht mehr, man ratet. Wir wollen dem Algorithmus aber nun anhand dieser Bild-Formate beibringen, das Geschlecht der abgebildeten Person zu bestimmen.

Ziel dieses Abschnittes ist die zur Verfügung stehenden \(3000\) Bilder in einen Datensatz zu überführen. In diesem Datensatz sollen die Graustufen von \(0-1\) der Bilder für \(100\) Pixel zur Verfügung stehen (\(10`\cdot 10\) Pixel in der x- resp. y-Richtung des Bildes). Das ursprüngliche Seitenverhältnis des Bildes kann so beibehalten werden (\(128/128 = 1\)). Als abhängige Variable will man das Geschlecht der Person auf den Bildern abbilden, und zwar codiert als m = 0 und f = 1.

Eröffnen Sie untenstehend einen Datensatz in R. Dieser soll 3000 Zeilen haben und 1+100 Spalten.

  • Eine Spalte für die abhängige Variable, das Geschlecht, welches wir label nennen, und 100 Graustufen für die Bildwerte, Spalten gsc1 bis gsc100.
  • Es existiert ein Vektor files, welcher für die 344 Bilder das Geschlecht im Bildnamen gespeichert hat. Geben Sie sich zuerst diesen Vektor files aus. Mit der Funktion substr() können Sie danach die abhängige Variable label bilden und mit der Funktion ifelse() transformieren.
  • Mittels einer for-Schleife for(i in 1:3000){} soll der Datensatz df mit den Bilddaten gefüllt werden.

files[1:10]

#extrahiere das 4. letzte Zeichen aus files und wandle in 0 1 um
label<-substr(files,nchar(files)-4,nchar(files)-4)
files[1:10]

#extrahiere das 4. letzte Zeichen aus files
label<-substr(files,nchar(files)-4,nchar(files)-4)

#ifelse: m wird 0, f wird 1
label<-ifelse(label=="f",1,0)

Obiger Code soll nun laufend ergänzt werden. Binden Sie nun die abhängige Variable label in einen Datensatz df und fügen Sie 100 leere Spalten (NA-Werte) mit den Namen gsc1 bis gsc100 an.

files[1:10]

#extrahiere das 4. letzte Zeichen aus files
label<-substr(files,nchar(files)-4,nchar(files)-4)

#ifelse: m wird 0, f wird 1
label<-ifelse(label=="f",1,0)

# Datensatz df erzeugen
files[1:10]

#extrahiere das 4. letzte Zeichen aus files
label<-substr(files,nchar(files)-4,nchar(files)-4)

#ifelse: m wird 0, f wird 1
label<-ifelse(label=="f",1,0)

# Datensatz df erzeugen
df <- data.frame(label=label)
leer <- matrix(NA,nrow=3000,ncol=100)
colnames(leer)<-paste("gsc",1:100,sep="")
df <- cbind(df,leer)
head(df)

Mittels einer for() Schleife sollen nun die Bilder img1 bis img3000 in den Datensatz eingebunden werden. Jedes Bild muss zuerst in Graustufen transformiert werden und die x- und y-Skalierung der Pixel auf 10 und 10 geändert werden.

files[1:10]

#extrahiere das 4. letzte Zeichen aus files
label<-substr(files,nchar(files)-4,nchar(files)-4)

#ifelse: m wird 0, f wird 1
label<-ifelse(label=="f",1,0)

# Datensatz df erzeugen
df <- data.frame(label=label)
leer <- matrix(NA,nrow=3000,ncol=100)
colnames(leer)<-paste("gsc",1:100,sep="")
df <- cbind(df,leer)
head(df)

for(i in 1:3000){

}
files[1:10]

#extrahiere das 4. letzte Zeichen aus files
label<-substr(files,nchar(files)-4,nchar(files)-4)

#ifelse: m wird 0, f wird 1
label<-ifelse(label=="f",1,0)

# Datensatz df erzeugen
df <- data.frame(label=label)
leer <- matrix(NA,nrow=3000,ncol=100)
colnames(leer)<-paste("gsc",1:100,sep="")
df <- cbind(df,leer)
head(df)

for(i in 1:3000){
  eval(parse(text=paste("img<-img",i,sep="")))

  img<-resize(img,10,10,1,1)
  vals<-as.data.frame(img)$value
  df[i,2:101]<-vals
}

head(df)

Wir haben nun einen Datensatz erstellt mit \(3000\) Zeilen und \(101\) Spalten. Den Datensatz können Sie nebenstehend für eigene nähere Betrachtungen herunterladen. Dieser finale Datensatz steht übrigens schon zur Verfügung und ist im jetztigen Tutorial unter mydata abgespeichert.

Download Datensatz zur Bild-Erkennung

2) Logistische Regression

Erklärungen

  • Auf dieser Seite erlernen die Sie die Anwendung eines naiven Algorithmus um aus den von der Vorderseite erzeugten Bilddaten abschätzen zu können, ob eine Person männlich (label = 0) oder weiblich (label = 1) ist.
  • Der Algorithmus wird dann fortlaufend entwickelt bis dann am unteren Ende der Seite die Resultate betrachtet werden können.

Die abhängige Variable, welche unser Algorithmus klassifizieren muss hat zwei Ausprägungen: 0 für Männer, 1 für Frauen. Die unabhängigen Variablen sind die 100 Graustufen des vorherig erstellten Datensatzes df. Nun gilt es, einen Algorithmus andhand dieser Bild-Daten zu trainieren.

Die logistische Regression

Bei der linearen Regression wird durch die Punktwolke x, y eine Gerade gelegt. Dies ist bei einer Klassifikation wie hier aber nicht das passende Vorgehen, da die Variable y nur die Werte 0, 1 annehmen kann.

Aus diesem Grund schätzt die logistische Regression nicht eine Funktionsgleichung der Form

\[y=a_1\cdot x_1 + a_2\cdot x_2 +\dots + b\]

sondern

\[y=\frac{e^{a_1\cdot x_1 + a_2\cdot x_2 +\dots + b}}{1+e^{a_1\cdot x_1 + a_2\cdot x_2 +\dots + b}}\]

mit nur einer abhängigen Variable \(x_1\) vereinfacht sich obige Formel zu

\[y=\frac{e^{a_1\cdot x_1 + b}}{1+e^{a_1\cdot x_1 + b}}\]

Der Term \(a_1\cdot x_1 + b\) bewegt sich dabei zwischen den Grenzen \(-\infty\) und \(+\infty\).

Nimmt der Term \(a_1\cdot x_1 + b\) die Werte \(-1, 0, 1\) an, so nimmt \(y\) die Werte \(0.2689, 0.500, 0.7311\) an. \(y\) hat also die Dimension einer Wahrscheinlichkeit inner den Grenzen \(0\) und \(1\). Liegt diese Wahrscheinlichkeit über 0.5, so wird dies als \(1\) klassifiziert, oder in unserem Fall als Geschlecht weiblich. Unter 0.5 wird der Wert als \(0\) klassifiziert, resp. Geschlecht männlich.

Anwendung der logistischen Regression in R: glm()

Rechnen Sie mit dem Datensatz mydata eine univariate Regression, welche das Geschlecht label mit der Graustufe des Pixels 27 gsc27 zu schätzen versucht.

Geben Sie die Koeffizienten des Modelles aus. Hinweis: Eine logistische Regression in R rechnet sich über den Befehl glm(y~x,data=mydata,family='binomial'). Da unsere Bilder 100 Pixel aufweisen, wird Pixel 50 in der Mitte liegen (ca. auf der Nase).

mymodel <- glm(label ~ gsc50, family="binomial",data=mydata)
summary(mymodel)

Geben Sie sich nun von den Personen 62 und 167 im Datensatz den Graustufenwert des Pixels 50 und das Geschlecht aus (zur Erinnerung: Graustufenwert 0 ist ein schwarzes, Graustufenwert 1 ein weisses Pixel). Wie gross schätzen Sie nun anhand der logistischen Regression die Wahrscheinlichkeit, dass die Beobachtungen Frauen oder Männer sind?

mymodel <- glm(label ~ gsc50, family="binomial",data=mydata)
summary(mymodel)

yp <- exp(1.347-1.91*df$gs50[c(62,167)])/(1+exp(1.347-1.91*df$gsc50[c(62,167)]))
yp

df[c(62,167),c("gsc50","label")]

Beobachtung nur 62 ist gemäss dem Datensatz df offensichtlich eine Frau (da label=1). Der Bildpunkt ist mit einem Wert von \(0.765\) hell. Da unsere Codierung 1 für weiblich steht, sind die berechneten Werte Wahrscheinlichkeiten, eine *Frau** zu sein.

\[y_{62}=\frac{e^{1.347-1.91\cdot 0.765}}{e^{0.3408-1.621\cdot 0.765}+1} = 0.4715\]

Person 62 ist somit zu \(47.15\%\) Wahrscheinlichkeit eine Frau. Da der Wert kleiner \(50\%\) ist, würde die Person als 0 klassifiziert. Diese Vorhersage wäre gemäss Datensatz falsch Entsprechend erhalten wir für Person 167 eine Wahrscheinlichkeit von \(43.6\%\), eine Frau zu sein. Somit ist diese Person wahrscheinlich ein Mann, klassifiziert als 0, was wiederum falsch ist.

Untenstehender Graph zeigt, wie sich für unterschiedliche Parameter \(a\) und \(b\) in der (univariaten) logistischen Regression die Wahrscheinlichkeiten abhängig von \(x\) entwickeln. Wichtig zu merken ist folgendes: Falls der Term im Exponent von \(e^{...}\) null wird, so wird die Wahrscheinlichkeit zu:

\[\frac{e^0}{1+e^0}=0.5 = 50\%\]

Wird der Term negativ, so fällt die Wahrscheinlichkeit für eine \(1\) Klassifikation auf unter \(50\%\). Wird der Term positiv, so steigt die Wahrscheinlichkeit auf über \(50\%\).

  • Mit der Funktion predict.glm(model,data,type='response') können Sie für Ihr Modell die geschätzten Wahrscheinlichkeiten in einen Vektor yp extrahieren.
  • Anschliessend transformieren Sie diesen Vektor in eine binäre Variable mit dem Befehl ifelse()
  • Vergleichen Sie diese Vorhersagen in einer bivariaten Häufigkeitstabelle mit den wahren Werten: table(yp,df$label).
mymodel <- glm(label ~ gsc50, family="binomial",data=mydata)
summary(mymodel)

yp <- predict.glm(mymodel, data=data, type="response")
yp <- ifelse(yp>0.5, 1, 0)
table(yp,mydata$label)

Unser sehr simples Modell liefert anscheinend gemäss obiger Tabelle folgende Klassifizierungen: Über die Zeilen der Tabelle sind die geschätzten Klassifikationen zu sehen. Unser Modell kategorisiert 866 männliche Gesichter korrekterweise als männlich, jedoch 505 männliche Gesichter als weiblich. 721 weibliche Gesichter werden fälschlicherweise als männlich kategorisiert und 908 weibliche Gesichter korrekterweise als weiblich. Die Genauigkeit beträgt insgesamt:

\[ACC = \frac{866+908}{866+505+721+908} = 59.1\%\]

Multiple Logistische Regression

Wie bei der Regression können wir auch mit der logistischen Regression mehrere Variablen benützen. Da wir 100 Pixel pro Bild mit Graustufenwerten zur Verfügung haben, benutzen wir nun einfach alle diese Variablen zur Klassifikation. Da wir aber nur 3000 Bilder haben, sollten nicht zu viele Pixel benutzt werden.

Wiederholen Sie nun vorherige Übung, indem Sie für die Personen \(1-3000\) ein Modell kalibrieren. Bilden Sie anschliessend die gleiche bivariate Häufigkeitstabelle wie zuvor und beurteilen Sie das Modell:

mymodel <- glm(label ~ ., family="binomial",data=mydata[1:3000,])
summary(mymodel)

yp <- predict.glm(mymodel, data=mydata[1:3000,], type="response")
yp <- ifelse(yp>0.5, 1, 0)
table(yp,mydata$label[1:3000])

Unser Modell liefert anscheinend gemäss obiger Tabelle folgende Klassifizierungen: Über die Zeilen der Tabelle sind die geschätzten Klassifikationen zu sehen. Unser Modell kategorisiert 1231 männliche Gesichter korrekterweise als männlich, jedoch 140 männliche Gesichter als weiblich. 147 weibliche Gesichter werden fälschlicherweise als männlich kategorisiert und 1482 weibliche Gesichter korrekterweise als weiblich. Die Genauigkeit beträgt insgesamt:

\[ACC = \frac{1231+1482}{1231+140+147+1482} = 90.4\%\]

Vorhersagen

Das vorherig kalibrierte Modell an Bilddaten der Personen 1-3000 wollen wir nun verwenden, um das Geschlecht von Person 3001 vorherzusagen. Das bedeutet, dass wir nun ein für den Algorithmus neues Bild verwenden, an welchem er nicht kalibriert wurde. In der Fachsprache nennen wir den Datensatz, an welchem der Algorithmus kalibriert wird training Datensatz und alle ausserhalb dieses Satzes test Datensatz. Ist die Genauigkeit auf dem training Datensatz signifikant besser als auf dem test Datensatz, so liegt sogenanntes Overfitting vor, das heisst, dass das Modell mit zuvielen Variablen kalibriert wurde. Es kann dann sein, dass die Performance auf den training Daten bei z.B. \(99\%\) liegt, auf den test Daten aber nur bei \(50\%\).

Machen Sie nun anhand der Zeile 3001 des Datensatzes mydata eine Vorhersage. Hierfür müssen Sie die Zeile in ein neues Datenobjekt new schreiben und dieses als data.frame speichern. Danach können Sie mit der Funktion predict.glm(mymodel,newdata=new) die Vorhersage des Modelles rechnen.

mymodel <- glm(label ~ ., family="binomial",data=mydata[1:3000,])
summary(mymodel)

yp <- predict.glm(mymodel, data=mydata[1:3000,], type="response")
yp <- ifelse(yp>0.5, 1, 0)
table(yp,mydata$label[1:3000])
mymodel <- glm(label ~ ., family="binomial",data=mydata[1:3000,])
summary(mymodel)

yp <- predict.glm(mymodel, data=mydata[1:3000,], type="response")
yp <- ifelse(yp>0.5, 1, 0)
table(yp,mydata$label[1:3000])

new<-img3001
new <- resize(new,10,10,1,1)
new<-matrix(new,nrow=1)
colnames(new)<-paste("gsc",1:100,sep="")
new<-as.data.frame(new)
#prediction
ypnew <- predict.glm(mymodel,newdata=new,type="response")
ifelse(ypnew<0.5,print("MANN"),print("FRAU"))

Person 3001 wird somit mit einer Wahrscheinlichkeit von \(99.9\%\) als Frau klassifiziert. Da dieser Wert über \(50\%\) liegt, wird die Person als Frau klassifiziert, was auch korrekt ist.

Sie können nun untenstehend selbst einen Index ausgeben, so dass Sie die Klassifikation des Bildes betrachten können. Um die Sache nochmals interessanter zu machen, sei hier die bivariate Tabelle der Konfusionsmatrix noch einmal erklärt:

Korrekte Vorhersagen

  • TN (korrekterweise als Mann klassifiziert): 3 5 6 7 10 13 19 23 24 26 27 28 29 33 35 36 37 40 42 43 46 47 48 49 51 54 56 57 58 59 63 65 66 67 70 72 76 77 78 79 84 86 88 89 90 93 95 97 98 100 106 108 109 114 116 118 119 123 125 126 127 130 132 133 136 139 144 146 148 149 153 155 156 157 160 163 166 169 170 173 174 176 178 179 183 185 186 187 190 193 196 197 199 204 206 207 208 209 213 215 216 217 218 220 222 223 226 227 229 232 234 235 236 237 238 239 243 245 246 247 250 251 252 253 256 257 258 259 264 265 266 267 268 269 270 273 275 276 277 280 282 283 284 285 286 287 288 289 291 294 296 297 298 299 303 305 307 310 316 317 319 324 326 327 328 329 333 335 336 337 340 343 346 348 349 353 354 357 358 359 363 365 366 367 370 372 373 376 379 384 386 387 389 393 395 396 397 400 402 403 405 406 408 409 414 418 419 423 425 426 427 430 433 437 439 442 444 446 447 448 449 453 456 457 459 460 463 466 467 469 474 476 478 479 481 483 485 486 487 490 492 493 496 497 498 499 501 504 506 507 508 509 513 515 516 517 520 523 526 529 533 534 536 538 539 543 545 546 547 550 553 556 557 559 561 564 565 566 568 569 573 574 575 577 580 583 586 587 588 589 594 598 599 600 603 605 606 607 610 613 615 616 619 622 623 624 627 628 629 633 635 636 637 640 643 646 647 649 653 654 658 663 665 666 667 670 673 676 677 678 679 682 684 685 686 689 693 696 697 700 703 706 708 709 714 717 718 719 723 726 727 730 733 736 739 744 745 746 748 749 753 755 756 757 760 762 763 768 769 772 774 776 777 778 779 781 783 785 786 787 790 792 793 796 798 799 801 802 804 806 808 809 813 815 816 817 820 822 823 826 827 829 834 836 837 838 841 843 845 846 847 850 853 854 856 857 859 862 863 866 867 869 870 873 875 876 880 882 883 886 888 889 893 894 896 897 898 899 903 905 906 907 910 911 913 916 917 918 919 924 926 928 929 933 935 936 937 940 943 947 949 953 954 956 957 958 959 961 963 965 966 970 973 974 976 979 982 983 986 988 989 993 994 995 996 997 1000 1002 1003 1006 1007 1008 1009 1010 1011 1012 1014 1016 1018 1019 1024 1028 1031 1034 1038 1039 1042 1043 1045 1046 1048 1051 1052 1054 1055 1059 1062 1065 1066 1067 1071 1076 1079 1081 1084 1089 1091 1092 1093 1094 1096 1104 1112 1115 1116 1119 1123 1127 1128 1133 1135 1139 1144 1146 1147 1151 1158 1159 1163 1170 1176 1177 1178 1180 1184 1190 1195 1196 1200 1202 1206 1211 1213 1217 1218 1220 1227 1228 1229 1233 1235 1236 1237 1243 1244 1245 1246 1249 1252 1254 1259 1261 1262 1263 1264 1265 1268 1269 1271 1273 1277 1279 1282 1283 1284 1286 1287 1289 1293 1297 1299 1301 1302 1307 1308 1309 1311 1313 1314 1316 1320 1325 1328 1329 1332 1334 1335 1336 1337 1338 1339 1340 1341 1351 1357 1369 1373 1383 1384 1385 1387 1388 1389 1390 1393 1396 1397 1404 1411 1414 1415 1417 1418 1419 1420 1423 1425 1426 1427 1429 1430 1431 1440 1442 1444 1450 1454 1455 1458 1461 1463 1467 1472 1474 1476 1477 1479 1481 1483 1484 1485 1486 1491 1500 1503 1504 1510 1511 1514 1515 1517 1518 1520 1522 1523 1525 1532 1533 1535 1537 1540 1541 1544 1549 1553 1555 1556 1559 1560 1563 1569 1570 1573 1576 1577 1578 1584 1586 1588 1592 1593 1596 1598 1601 1604 1605 1609 1611 1612 1617 1620 1622 1624 1626 1627 1628 1629 1630 1635 1641 1643 1644 1647 1648 1649 1651 1656 1659 1666 1668 1670 1671 1675 1677 1687 1688 1690 1693 1696 1700 1702 1703 1705 1706 1708 1710 1711 1712 1715 1716 1717 1718 1719 1723 1731 1734 1736 1738 1739 1744 1745 1751 1752 1753 1757 1758 1760 1761 1763 1766 1769 1777 1778 1785 1787 1789 1791 1794 1800 1805 1808 1809 1813 1814 1816 1822 1823 1829 1831 1833 1835 1836 1840 1843 1846 1847 1851 1854 1856 1861 1862 1863 1865 1867 1878 1879 1881 1882 1885 1886 1892 1898 1900 1901 1906 1910 1915 1917 1919 1927 1930 1937 1941 1947 1948 1950 1951 1953 1957 1966 1967 1968 1969 1970 1977 1979 1983 1989 1990 2000 2006 2009 2012 2013 2014 2016 2017 2023 2024 2040 2043 2045 2047 2050 2052 2053 2054 2060 2061 2067 2073 2077 2078 2083 2084 2085 2087 2089 2094 2095 2100 2104 2105 2112 2114 2116 2117 2122 2123 2126 2129 2130 2132 2137 2142 2144 2145 2146 2148 2151 2152 2153 2154 2157 2158 2160 2164 2165 2168 2169 2174 2175 2176 2177 2180 2181 2184 2185 2187 2189 2192 2193 2196 2199 2200 2201 2204 2206 2211 2212 2214 2215 2217 2218 2219 2222 2223 2225 2226 2230 2231 2232 2235 2236 2238 2239 2243 2255 2256 2257 2260 2261 2262 2264 2268 2270 2271 2272 2273 2275 2278 2285 2286 2287 2288 2291 2292 2293 2295 2296 2297 2298 2303 2304 2305 2306 2307 2308 2309 2310 2316 2318 2319 2322 2323 2324 2326 2328 2330 2334 2340 2341 2343 2347 2348 2350 2353 2354 2357 2363 2366 2367 2370 2372 2374 2376 2387 2388 2391 2394 2398 2405 2408 2409 2410 2413 2415 2417 2419 2422 2424 2425 2426 2428 2429 2431 2433 2434 2435 2438 2441 2442 2443 2445 2448 2450 2451 2453 2458 2461 2466 2470 2471 2477 2483 2484 2485 2490 2495 2497 2501 2502 2503 2504 2507 2511 2512 2514 2515 2516 2517 2521 2524 2528 2529 2531 2537 2538 2540 2542 2543 2547 2548 2550 2551 2552 2555 2556 2562 2568 2570 2571 2576 2577 2579 2580 2584 2586 2587 2589 2590 2591 2594 2595 2601 2604 2605 2606 2609 2610 2611 2613 2615 2617 2621 2622 2626 2631 2634 2635 2636 2638 2641 2644 2645 2646 2653 2656 2660 2661 2675 2676 2682 2683 2685 2686 2688 2691 2692 2693 2694 2695 2696 2701 2702 2703 2707 2711 2716 2717 2719 2722 2726 2734 2735 2737 2739 2740 2741 2748 2749 2751 2753 2755 2758 2760 2762 2766 2767 2780 2781 2782 2787 2788 2789 2790 2793 2797 2799 2801 2803 2813 2814 2816 2821 2822 2823 2824 2832 2839 2841 2846 2847 2849 2850 2855 2860 2861 2864 2867 2872 2879 2884 2886 2887 2889 2890 2891 2892 2893 2895 2899 2901 2904 2908 2915 2921 2922 2924 2925 2932 2936 2937 2944 2949 2955 2961 2964 2966 2970 2971 2975 2976 2977 2978 2979 2983 2986 2988 2992 2996
  • TP (korrekterweise als Frau klassifiziert): 1 2 8 9 12 14 15 17 18 20 21 22 25 30 31 32 34 38 39 41 45 50 52 53 55 61 62 64 68 69 71 74 75 80 81 82 83 85 87 91 92 94 99 101 102 104 105 107 110 111 112 113 115 121 122 124 128 129 131 134 135 137 138 140 141 142 145 147 150 151 152 154 159 162 164 165 167 168 171 172 175 177 180 181 182 184 188 189 192 194 198 200 201 202 203 205 212 214 224 225 228 230 231 233 240 241 242 244 248 249 254 255 261 262 263 271 272 278 279 290 292 295 301 302 304 308 309 311 314 315 318 320 322 323 325 330 331 338 339 341 342 345 347 350 355 360 361 362 369 371 374 375 377 378 380 381 382 383 390 391 392 394 398 399 401 407 410 413 415 417 421 422 424 429 431 432 434 435 438 440 443 445 451 452 454 462 464 465 468 470 471 473 475 477 480 484 489 491 494 495 500 502 503 505 510 511 512 514 518 521 522 525 528 530 531 535 537 541 542 544 549 551 552 554 555 558 560 562 567 570 571 572 578 579 582 584 585 590 592 593 595 597 601 602 604 608 611 612 614 618 620 630 631 632 634 639 641 642 644 645 650 651 652 655 657 659 660 662 664 668 669 671 672 675 680 683 690 691 692 694 698 699 701 702 704 705 707 710 712 713 720 721 722 724 728 729 731 734 735 737 738 740 741 742 743 750 751 754 758 761 764 765 767 770 771 773 775 780 782 784 788 791 795 797 807 810 811 812 814 818 819 821 824 825 828 830 832 833 835 840 842 844 849 851 855 858 860 861 865 871 872 874 879 884 885 887 900 901 904 908 909 912 914 915 920 921 922 923 925 927 930 931 932 934 938 939 941 942 944 945 950 951 952 955 960 962 964 968 969 971 972 975 977 980 981 987 990 991 992 998 1005 1013 1015 1017 1020 1021 1022 1023 1025 1026 1027 1029 1030 1032 1033 1035 1036 1037 1040 1041 1044 1047 1049 1053 1056 1057 1058 1061 1063 1064 1068 1069 1072 1074 1075 1078 1080 1082 1083 1085 1086 1087 1088 1090 1098 1099 1100 1102 1106 1107 1109 1110 1111 1113 1114 1117 1118 1122 1124 1126 1129 1130 1131 1134 1136 1137 1138 1140 1141 1142 1143 1145 1148 1149 1152 1153 1154 1155 1156 1157 1160 1161 1162 1164 1165 1166 1167 1168 1169 1172 1173 1174 1175 1179 1181 1182 1183 1186 1187 1188 1189 1191 1193 1194 1197 1198 1199 1201 1203 1204 1205 1207 1208 1209 1210 1212 1214 1215 1219 1221 1222 1223 1225 1226 1230 1231 1232 1234 1238 1239 1240 1241 1242 1251 1253 1255 1256 1257 1258 1260 1266 1267 1270 1272 1274 1275 1276 1278 1280 1281 1285 1288 1290 1291 1292 1294 1295 1296 1298 1300 1303 1304 1305 1306 1310 1312 1315 1317 1318 1321 1322 1323 1324 1326 1327 1330 1331 1343 1344 1345 1346 1347 1349 1350 1353 1354 1355 1356 1358 1359 1361 1363 1364 1365 1367 1368 1370 1372 1374 1375 1377 1378 1379 1380 1381 1386 1391 1394 1395 1398 1399 1400 1401 1402 1406 1407 1408 1409 1410 1412 1413 1416 1421 1424 1428 1432 1433 1434 1435 1436 1437 1438 1439 1441 1443 1445 1446 1448 1449 1451 1452 1453 1456 1457 1459 1462 1464 1465 1466 1468 1469 1470 1473 1475 1478 1480 1482 1488 1489 1490 1492 1493 1495 1496 1497 1498 1499 1501 1502 1505 1506 1507 1508 1509 1512 1513 1516 1519 1524 1526 1527 1528 1529 1530 1531 1534 1538 1539 1542 1543 1545 1546 1547 1548 1550 1551 1552 1554 1557 1558 1561 1562 1566 1567 1571 1574 1579 1581 1582 1585 1587 1589 1590 1591 1594 1595 1597 1599 1600 1602 1603 1606 1607 1608 1610 1613 1614 1615 1616 1621 1623 1631 1632 1633 1634 1636 1637 1638 1639 1640 1645 1646 1650 1652 1654 1657 1660 1661 1662 1663 1664 1665 1669 1672 1673 1674 1676 1678 1679 1680 1681 1682 1684 1685 1686 1689 1691 1692 1694 1695 1697 1698 1699 1701 1704 1707 1709 1713 1714 1720 1721 1722 1725 1726 1727 1728 1729 1730 1732 1733 1735 1737 1741 1742 1746 1747 1748 1749 1754 1755 1756 1759 1762 1764 1765 1767 1768 1770 1772 1773 1774 1775 1776 1780 1782 1783 1784 1788 1790 1792 1793 1795 1796 1797 1798 1799 1801 1802 1803 1804 1806 1807 1810 1811 1812 1815 1817 1818 1819 1820 1824 1825 1826 1827 1828 1830 1832 1834 1837 1838 1839 1841 1842 1844 1845 1849 1850 1852 1853 1855 1857 1858 1859 1860 1866 1868 1869 1870 1871 1872 1873 1874 1875 1876 1880 1883 1887 1889 1890 1891 1893 1894 1895 1896 1897 1899 1902 1904 1905 1907 1909 1911 1912 1913 1914 1916 1918 1920 1921 1922 1923 1924 1925 1926 1928 1929 1931 1933 1934 1935 1936 1938 1939 1940 1942 1943 1944 1945 1946 1949 1954 1955 1956 1958 1959 1960 1961 1962 1963 1964 1965 1971 1972 1973 1974 1975 1978 1980 1981 1982 1984 1985 1986 1988 1992 1993 1994 1995 1996 1997 1998 1999 2002 2003 2004 2005 2008 2010 2011 2015 2018 2019 2020 2021 2022 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2037 2038 2041 2042 2044 2046 2048 2049 2056 2057 2058 2059 2062 2063 2064 2065 2066 2068 2069 2070 2071 2072 2074 2075 2076 2079 2080 2081 2082 2086 2091 2092 2093 2096 2097 2098 2099 2101 2102 2103 2106 2107 2108 2109 2110 2111 2113 2118 2119 2120 2121 2124 2125 2128 2131 2136 2138 2140 2141 2143 2147 2150 2156 2159 2162 2163 2166 2167 2170 2171 2172 2173 2178 2179 2182 2183 2186 2188 2190 2191 2194 2195 2197 2198 2202 2203 2205 2207 2208 2209 2210 2213 2216 2220 2221 2224 2227 2229 2233 2234 2237 2240 2241 2242 2244 2245 2246 2247 2249 2250 2251 2253 2254 2258 2259 2263 2265 2266 2267 2269 2276 2277 2280 2281 2282 2284 2289 2290 2294 2299 2300 2302 2311 2312 2313 2314 2315 2317 2320 2321 2325 2327 2329 2331 2335 2336 2337 2339 2342 2344 2345 2346 2349 2351 2352 2355 2356 2359 2361 2362 2364 2365 2369 2371 2373 2377 2378 2379 2380 2381 2382 2383 2384 2385 2386 2389 2390 2392 2393 2395 2396 2397 2399 2400 2402 2403 2404 2407 2411 2412 2418 2420 2421 2423 2427 2430 2436 2437 2439 2440 2444 2446 2447 2449 2452 2455 2456 2459 2460 2462 2463 2464 2465 2467 2468 2469 2472 2473 2474 2475 2476 2478 2479 2480 2482 2486 2488 2489 2491 2492 2494 2496 2498 2500 2505 2508 2509 2510 2513 2518 2519 2520 2522 2523 2525 2526 2527 2532 2533 2536 2539 2541 2544 2545 2546 2549 2553 2554 2557 2558 2559 2560 2561 2563 2564 2566 2567 2569 2572 2573 2574 2575 2578 2581 2582 2585 2588 2592 2593 2596 2597 2598 2599 2600 2602 2603 2607 2612 2614 2616 2618 2619 2620 2623 2624 2625 2627 2628 2629 2630 2632 2633 2637 2639 2640 2643 2648 2649 2650 2651 2652 2654 2655 2657 2658 2659 2662 2663 2665 2666 2667 2668 2669 2670 2672 2673 2674 2677 2678 2679 2680 2681 2684 2687 2690 2697 2698 2699 2700 2704 2705 2708 2709 2710 2712 2713 2714 2715 2720 2721 2723 2724 2725 2727 2728 2729 2730 2731 2732 2733 2738 2742 2743 2744 2745 2746 2747 2750 2752 2754 2756 2757 2759 2761 2763 2764 2765 2768 2769 2771 2773 2774 2775 2776 2777 2778 2783 2785 2791 2792 2794 2795 2796 2798 2800 2802 2804 2805 2806 2807 2808 2809 2810 2811 2812 2815 2817 2818 2819 2820 2827 2828 2829 2830 2831 2833 2834 2835 2836 2837 2838 2843 2844 2845 2848 2852 2853 2854 2856 2858 2859 2863 2865 2866 2868 2870 2871 2873 2874 2875 2877 2878 2880 2881 2882 2883 2888 2894 2896 2897 2898 2900 2903 2905 2906 2907 2909 2912 2914 2916 2919 2920 2923 2927 2928 2929 2930 2933 2934 2935 2938 2940 2941 2942 2943 2946 2948 2950 2952 2953 2956 2957 2958 2960 2962 2963 2965 2967 2968 2969 2972 2973 2980 2981 2982 2985 2987 2989 2990 2991 2993 2994 2995 2997 2998 3000

Falsche Vorhersagen

  • FN (fälschlich als Mann klassifiziert): 4 11 44 60 117 120 161 191 195 210 211 219 221 260 274 281 306 312 321 334 344 351 385 404 411 420 428 441 450 458 461 482 488 519 524 527 532 540 548 563 581 591 617 626 638 661 674 681 695 711 715 716 732 752 759 789 794 805 839 848 881 890 892 895 902 985 999 1001 1060 1095 1101 1120 1121 1125 1132 1185 1192 1216 1248 1250 1319 1333 1348 1352 1362 1371 1403 1405 1422 1447 1521 1536 1564 1568 1583 1625 1642 1658 1667 1724 1771 1781 1786 1821 1848 1864 1908 2001 2036 2039 2051 2055 2090 2134 2149 2155 2161 2248 2252 2274 2279 2283 2301 2375 2406 2432 2487 2493 2565 2583 2608 2642 2664 2736 2770 2772 2779 2784 2842 2851 2910 2917 2918 2947 2959 2984 2999
  • FP (fälschlich als Frau klassifiziert): 16 73 96 103 143 158 293 300 313 332 352 356 364 368 388 412 416 436 455 472 576 596 609 621 625 648 656 687 688 725 747 766 800 803 831 852 864 868 877 878 891 946 948 967 978 984 1004 1050 1070 1073 1077 1097 1103 1105 1108 1150 1171 1224 1247 1342 1360 1366 1376 1382 1392 1460 1471 1487 1494 1565 1572 1575 1580 1618 1619 1653 1655 1683 1740 1743 1750 1779 1877 1884 1888 1903 1932 1952 1976 1987 1991 2007 2088 2115 2127 2133 2135 2139 2228 2332 2333 2338 2358 2360 2368 2401 2414 2416 2454 2457 2481 2499 2506 2530 2534 2535 2647 2671 2689 2706 2718 2786 2825 2826 2840 2857 2862 2869 2876 2885 2902 2911 2913 2926 2931 2939 2945 2951 2954 2974

Untenstehend können Sie nun den Klassifikations-Algorithmus selbst ausprobieren. Folgende Bilder können Sie durch Wahl des Index betrachten:

  • 1-3000 für die Bilder mit künstlichen Gesichtern, anhand derer der Algorithmus kalibiriert wurde
  • 3001-3020 für Bilder mit künstlichen Gesichtern, anhand derer der Algorithmus nicht kalibriert wurde
  • 3021-3040 für Bilder mit realen Gesichtern, ahand derer der Algorithmus nicht kalibriert wurde

3) Bild-Erkennung selbst probieren

Erklärungen

  • Dem vorhin durch die Studierenden kalibrierten Algorithmus wird nun Leben eingehaucht (er wird im www bereitgestellt (deployed)).
  • Man kann nun das eigene Gesicht klassifizieren und die Qualität des anhand der 3000 Bilder kalibrieriten Geschlechts-Erkennungs-Algorithmus überprüfen.
  • Erkenntnis: Auf Bilder “ausserhalb” der kalibrierten Bilddaten funktioniert der Algorithmus nicht gut

Die Website sollte nun Ihre Bildschirm-Kamera aufrufen. Auf diese Weise können Sie sich selbst fotografieren und der vorhin kalibrierte Algorithmus versucht dann, anhand Ihres Bildes Ihr Geschlecht zu bestimmen.

Wichtig ist, dass Sie die Fotos in ähnlicher Art und Weise aufnehmen.

  • Das Foto sollte eine Porträt-Aufnahme von Ihnen darstellen
  • Das Foto sollte zentriert sein
  • Der Hintergrund soll weiss sein (z.B. eine Wand)

Alternativ können Sie auch einige Bilder selbst hochladen.

4) Amazon Web Services

Eine Gesichtserkennung werden Sie in der Praxis kaum selbst kalibrieren. Es besteht aber die Möglichkeit, vorkalibrierte Modelle im Rahmen von Web Services zu nutzen. Wir tauchen nun ein in den Amazon Web Service:

Für das eigene Arbeiten mit den Amazon Web Services erstellen Sie sich ein Gratiskonto. Sie müssen hierfür eine Kreditkarte angeben, die Gratiskontingente können Sie sich im Konto später ebenfalls ansehen.

Navigieren Sie nun zur Anmeldeseite Amazon Web Service.

Nach erfolgter Anmeldung loggen Sie sich bei der Managementkonsole ein und von da aus in Ihr Konto (Adresse: https://console.aws.amazon.com/billing/home).

In einem nächsten Schritt fügen wir dem Konto die Funktion IAM-Benutzer- und Rollenzugriff auf Fakturierungsdaten hinzu. Dies ermöglicht dann einen Zugriff auf das Konto von RStudio aus.

Um nun Ihre Codes für das Identification-Access-Management (IAM) zu erhalten navigieren Sie hier hin: https://console.aws.amazon.com/iam/

1. Wählen Sie im Navigationsmenü die Option Benutzer und klicken Sie anschliessend oben rechts auf ‘Benutzer hinzufügen’.

2. Wählen Sie einen Benutzernamen und anschliessend untenstehend die Option ‘Programmgesteuerter Zugriff’ und klicken anschliessend am unteren Rand des Bildschirmes auf ‘Weiter’.

3. Wählen Sie nun die Option ‘bestehende Richtlinie’ hinzufügen und suchen Sie anschliessend nach der Option ‘AmazonRekognitionFullAccess’. Klicken Sie anschliessend auf ‘Weiter’.

5. Nun legen Sie einen ‘Tag’ an, das kann der Schlüssel mit Name ‘Email’ und Ihrer Email-Adresse sein.

5. Nun klicken Sie auf ‘Weiter’ und anschliessend auf ‘Benutzer erstellen’. Sie können nun eine CSV-Datei mit einer ‘Key-ID’ und einer ‘Secret-Key-ID’ herunterladen. Speichern Sie diese Datei an einem Ort, wo Sie sie wiederfinden, insbesondere müssen Sie später in R diese beiden IDs abspeichern.

6. In Ihrer R-Installation installieren Sie mit folgendem Code nun das R-package paws:

install.packages(‘paws’)

Anschliessend wollen wir den Service ausprobieren.

5) AWS Rekognition

Sie haben sich nun bei Amazon Web Services registirert und sich als Benutzer in der IAM registriert und besitzen nun eine Key-ID und eine Secret-Key-ID. Geben Sie diese Keys nicht an Drittpersonen weiter.

Legen Sie nun auf Ihrem Computer einen neuen Ordner an (zum Beispiel ‘ErsteSchritteAWS’).

Anschliessend speichern Sie folgendes Bild in diesem Ordner als png Datei mit Name ‘MeinBild.png’.

Anschliessend schreiben Sie folgenden R-Code:

rm(list=ls())
library(paws)

  
key_id<-"..."
secret_key_id<-"..."

Sys.setenv('AWS_ACCESS_KEY_ID' = key_id, 'AWS_SECRET_ACCESS_KEY' = secret_key_id, 'AWS_REGION'= "eu-central-1") 


svc <- rekognition()

if("mycollection" %in% svc$list_collections()[[1]]){
  svc$delete_collection(CollectionId="mycollection")
}

svc$create_collection(CollectionId = "mycollection")

results<-svc$index_faces(
  CollectionId = "mycollection",
  Image = list(
    Bytes = normalizePath("MeinBild.png")
  ),
  DetectionAttributes=list("ALL")
)


results

Wichtig ist, dass Sie in den Zeilen 3 und 4 die Key-Ids aus dem vorhin abgespeicherten CSV ablegen (anstelle der Punkte).

In Zeile 6 initialisieren wir mit der Code-Zeile svc<-rekognition() den Amazon Rekognition Web Service. Um die Bilderkennung überhaupt starten zu können, muss eine Kollektion angelegt werden. Wir nennen diese mycollection und fragen zuerst ab, ob diese existiert, löschen Sie falls sie existiert und erzeugen sie nachh neu. Der Hauptteil des Codes besteht aus der Funktion svc$index_faces(). Das Bild wird dabei als Pfad übergeben und die Resultate anschliessend im Vektor results gespeichert.

Überprüfen wir nun die Einträge in der Liste results.

Das Objekt results ist nun ebenfalls im Tutorial angelegt:

results$FaceRecords[[1]]$FaceDetail$Gender
results$FaceRecords[[1]]$FaceDetail$Gender
results

Wie Sie sehen, ist im Objekt results eine Vielzahl von Informationen abgelegt, unter anderem das Geschlecht, der geschätzte Altersbereich, diverse Emotionen und die wichtigsten Punkte im Gesicht.

Untenstehend kann wiederum mit eigenen Aufnahmen der Algorithmus ausprobiert werden, indem Sie als Input ‘Kamera’ wählen und eine Fotoaufnahme von Ihrem Gesicht in die App schicken. Ihre Aufnahme wird NICHT auf dem Server gespeichert.

Amazon-Resultate

Die detect_labels()-Funktion

Eine weitere interessante Funktion ist detect_labels(). Diese wird ähnlich aufgerufen und ausgewertet wie die vorherige index_faces() Funktion und hat den Zweck, Lebewesen und Gegenstände auf Bildern zu lokalisieren (Menschen, Fahrzeuge, Tiere, Landschaften).

Wiederum können Sie folgendes Bild in einen Ordner www in Ihrem vorhin angelegten Arbeitsverzeichnis unter “auto.jpg” ablegen.

Diese Funktion ist für unterschiedlichste Dinge nützlich, zum Beispiel können auch Strassenschilder (road signs) und ähnliches entdeckt werden.

Mit folgendem Code können Sie das untenstehende Resultat erhalten

Die detect_text()-Funktion

Mit der Funktion detect_text() können u.a. Nummernschilder von vorbeifahrenden Autos oder die Geschwindigkeitsbegrenzung auf Strassenschildern ausgelesen werden.

Mit folgendem Code können Sie das untenstehende Resultat erhalten

Einführung in die Bilderkennung