2020/12/31
2020/12/30
立ち上がった画面はこれです。
やはり蓋を開けないとなと思って開けた中身はこれです。それなりに密に実装されています。
裏面は端子リストのシールが貼られています。Raspberry Piを触るときはいつも端子リストを準備しなくてはならないので、シールが貼られていると些細なことですが、便利ですね。
電源を何度かON/OFFしても変わらず。欠陥品かなと思いつつ、ネットで情報を収集すると、初期の充電されていない状態で出るエラーのようでした。しばらく充電すると正常に動きました。2020/12/27
from azure.cognitiveservices.vision.computervision import ComputerVisionClient13、14行目には個人のazure-computer-visionのキーとエンドポイントを設定しました。
from azure.cognitiveservices.vision.computervision.models import OperationStatusCodes
from azure.cognitiveservices.vision.computervision.models import VisualFeatureTypes
from msrest.authentication import CognitiveServicesCredentials
from array import array
import os
from PIL import Image
import sys
import time
# Azure setting
subscription_key = "･･････"
endpoint = "https://azure-computer-vision.cognitiveservices.azure.com/"
computervision_client = ComputerVisionClient(endpoint, CognitiveServicesCredentials(subscription_key))
# Image file
local_image_path = "./faces.jpg"
#--------------------
# Detect Faces
#--------------------
# Open local image
local_image = open(local_image_path, "rb")
# Select visual features(s) you want
local_image_features = ["faces"]
# Call API with local image and features
detect_faces_results_local = computervision_client.analyze_image_in_stream(local_image, local_image_features)
print("===== Detect Faces =====")
# Print results with confidence score
print("Faces in the local image: ")
if (len(detect_faces_results_local.faces) == 0):
print("No faces detected.")
else:
for face in detect_faces_results_local.faces:
print("'{}' of age {} at location {}, {}, {}, {}".format(face.gender, face.age, \
face.face_rectangle.left, face.face_rectangle.top, \
face.face_rectangle.left + face.face_rectangle.width, \
face.face_rectangle.top + face.face_rectangle.height))
print()
コードを実行するだけでは以下のテキストデータの結果しか得られません。===== Detect Faces =====性別と年齢、検出エリアの座標(Left、Top、Right、Bottomの順)です。この座標情報から検出エリアと検出順番(0番スタート)を生画像に描画するコードを書いたのが上の画像です。
Faces in the local image:
'Male' of age 39 at location 118, 159, 212, 253
'Male' of age 54 at location 492, 111, 582, 201
'Female' of age 55 at location 18, 153, 102, 237
'Female' of age 33 at location 386, 166, 467, 247
'Female' of age 18 at location 235, 158, 311, 234
'Female' of age 8 at location 323, 163, 391, 231
さすがにサンプル画像なので判定された性別も年齢も正しそうですね。
人が密集しているせいか、頭の陰になっている人や漫画チックのものは検出出来ていないようですね。ネット情報から検出されたのが誰なのか調べた結果が以下の表です。
性別は正しく判断しているようですが、年齢の判定結果がひどいですね。George、John、Paul、Ringoがそれぞれ48歳、46歳、38歳、35歳で年を取りすぎています・・。蝋人形は実物よりも若く出ていますが、それでも年取っていますね。Beatlesメンバー以外の人の名前、年齢は良く分からないので判断が難しいです。左下の福助人形が検出できなかったのも残念。下にうつむいているのがNGなのかな？？
これも写っているのが誰なのかをネット情報でまとめると以下の通り。ネット情報では年齢も記載されていたので、転記しました。
性別間違いが見られます。幕末の髪型(ちょんまげ)まではAIで学習されていないのでしょう・・。顔が童顔なのでしょうか、年齢が実年齢より若く判定されているケースが多く見受けられます。10番の大村益次郎が9歳はないやろ・・(笑)。フルベッキの長男が44番に写っているのですが、子供であることは分かるんですね。大したものです。2020/12/20
from azure.cognitiveservices.vision.computervision import ComputerVisionClient13、14行目には前回の最後に話した、azure-computer-visionのキーとエンドポイントを設定しました。
from azure.cognitiveservices.vision.computervision.models import OperationStatusCodes
from azure.cognitiveservices.vision.computervision.models import VisualFeatureTypes
from msrest.authentication import CognitiveServicesCredentials
from array import array
import os
from PIL import Image
import sys
import time
# Azure setting
subscription_key = "･･････"
endpoint = "https://azure-computer-vision.cognitiveservices.azure.com/"
computervision_client = ComputerVisionClient(endpoint, CognitiveServicesCredentials(subscription_key))
# Image file
local_image_path = "./landmark.jpg"
#--------------------
# Describe an Image
#--------------------
# Open local image file
local_image = open(local_image_path, "rb")
# Call API
description_result = computervision_client.describe_image_in_stream(local_image)
print("===== Describe an Image =====")
if (len(description_result.captions) == 0):
print("No description detected.")
else:
for caption in description_result.captions:
print("'{}' with confidence {:.2f}%".format(caption.text, caption.confidence * 100))
print()
#--------------------
# Categorize an Image
#--------------------
# Open local image file
local_image = open(local_image_path, "rb")
# Select visual feature type(s)
local_image_features = ["categories"]
# Call API
categorize_results_local = computervision_client.analyze_image_in_stream(local_image, local_image_features)
# Category results with confidence score
print("===== Categorize an Image =====")
if (len(categorize_results_local.categories) == 0):
print("No categories detected.")
else:
for category in categorize_results_local.categories:
print("'{}' with confidence {:.2f}%".format(category.name, category.score * 100))
print()
#--------------------
# Tag an Image
#--------------------
# Open local image file
local_image = open(local_image_path, "rb")
# Call API
tags_result_local = computervision_client.tag_image_in_stream(local_image)
# Tags results with confidence score
print("===== Tag an Image =====")
if (len(tags_result_local.tags) == 0):
print("No tags detected.")
else:
for tag in tags_result_local.tags:
print("'{}' with confidence {:.2f}%".format(tag.name, tag.confidence * 100))
print()
===== Describe an Image =====サンプル画像のためか？86%の信頼度でコロッセオと認識しました。カテゴリは86個の分類の中から選択されます。画像タグで'ruins'と判断するのはなかなかなのか？学習させてあるためか・・？
'a castle on top of Colosseum' with confidence 86.02%
===== Categorize an Image =====
'building_' with confidence 31.64%
'others_' with confidence 0.39%
'outdoor_' with confidence 3.91%
===== Tag an Image =====
'building' with confidence 99.92%
'outdoor' with confidence 97.66%
'sky' with confidence 93.79%
'ruins' with confidence 76.13%
'amphitheatre' with confidence 56.34%
===== Describe an Image =====東京スカイツリーも賢く認識しました。
'the tower of the city with Tokyo Skytree in the background' with confidence 95.15%
===== Categorize an Image =====
'building_' with confidence 44.53%
'building_pillar' with confidence 53.91%
===== Tag an Image =====
'outdoor' with confidence 99.82%
'sky' with confidence 99.79%
'skyscraper' with confidence 97.11%
'building' with confidence 95.96%
'tall' with confidence 44.68%
'tower' with confidence 17.40%
===== Describe an Image =====0系の新幹線も、駅に入線していることまで認識しました。なるほど、なるほど。
'a passenger train pulling into a station' with confidence 96.99%
===== Categorize an Image =====
'trans_trainstation' with confidence 99.61%
===== Tag an Image =====
'train' with confidence 99.99%
'track' with confidence 99.56%
'platform' with confidence 98.57%
'station' with confidence 98.20%
'railroad' with confidence 95.85%
'transport' with confidence 95.26%
'rail' with confidence 90.41%
'vehicle' with confidence 88.34%
'land vehicle' with confidence 86.81%
'locomotive' with confidence 72.69%
'pulling' with confidence 65.48%
'railway' with confidence 63.47%
'rolling stock' with confidence 55.82%
'subway' with confidence 11.39%
===== Describe an Image =====熊本城は大きな時計台と認識しました。日本の古城は学習していないのでしょうか？タグで'castle'と出力されたのが救いかな？
'a large clock tower sitting in the grass' with confidence 69.04%
===== Categorize an Image =====
'building_' with confidence 19.92%
'outdoor_' with confidence 1.56%
'outdoor_sportsfield' with confidence 52.73%
===== Tag an Image =====
'sky' with confidence 99.86%
'outdoor' with confidence 99.85%
'tree' with confidence 99.85%
'castle' with confidence 88.82%
'building' with confidence 82.75%
'place of worship' with confidence 61.20%
'stone' with confidence 43.51%
'temple' with confidence 32.85%
2020/12/05
セキュリティソフトもArduinoもエラーなく起動しました。まずは一安心、やれやれです。起動後にソフトウェアアップデートでBig Surへのアップデートの案内がありますが、しばらく放置しておこうと思います。Windowsの無差別テロのような身勝手なUpdateはないとは思いますが・・。2020/12/05
ただし、再起動すると、セキュリティソフトウェアのESETが早々にコケました。
メーカホームページを確認すると、Big SurへのUpdateは待ってください、Big Surのサポートには時間がかかる旨が書かれてありました。何やソレ！
対応していないようです。
Reopenするとエディタは何とか開きましたが、気持ち悪いですね。
Author: Dr.BobT
興味のおもむくままに生涯考え続けるエンジニアでありたい。