Projekt Rozpoznawania Emocji wykorzystuje model głębokiego uczenia oparty na architekturze ResNet18 do identyfikacji emocji na zdjęciach twarzy. Celem jest klasyfikacja obrazów do jednej z siedmiu kategorii emocji: szczęście, smutek, zaskoczenie, strach, gniew, pogarda, neutralność.

Aby uruchomić projekt, potrzebne są następujące biblioteki:

Python 3.8+

PyTorch 1.9+

torchvision 0.10+

PIL (Python Imaging Library)

NumPy

Zaleca się użycie środowiska wirtualnego Pythona dla lepszego zarządzania zależnościami.

Dane powinny być zorganizowane w następującej strukturze katalogów:

data/
├── train/
│   ├── szczęście/
│   ├── smutek/
│   ├── zaskoczenie/
│   └── ...
└── test/
    ├── szczęście/
    ├── smutek/
    ├── zaskoczenie/
    └── ...

Każdy podkatalog zawiera obrazy należące do jednej z kategorii emocji.

Dane są przetwarzane przy użyciu następujących transformacji:

Przeskalowanie i przycięcie do 224x224 pikseli Losowe lustrzane odbicie (tylko dane treningowe) Normalizacja z użyciem średnich i odchyleń standardowych dla ImageNet

Aby wytrenować model, uruchom skrypt train.py, który automatycznie przetrenuje model na danych treningowych. Możesz dostosować parametry treningu, takie jak liczba epok czy rozmiar batcha, wewnątrz skryptu.

Wytrenowany model można ocenić na zbiorze testowym za pomocą skryptu evaluate.py. Skrypt ten załaduje wytrenowany model i obliczy jego dokładność na danych testowych.

Przewidywanie emocji Aby przewidzieć emocje na nowym obrazie, użyj funkcji predict_emotion z predict.py, przekazując ścieżkę do obrazu. Funkcja ta zwróci przewidywaną klasę emocji.

image_path = 'ścieżka/do/obrazu.jpg'
predicted_emotion = predict_emotion(model, image_path, transform)
print(f'Przewidziana emocja: {predicted_emotion}')