Angewandtes ML
GitHub-RepositoryPlattform zur Erkennung von Gesichtsausdrücken
Von Modellexperimenten zu vergleichbaren Vorhersagen in einer nutzbaren Oberfläche.
Kontext: Angewandtes Machine-Learning-Produkt
Zeitraum: 2025-11 bis 2026-02
Zusammenfassung
Das Projekt stellt HOG/LBP- und SVM-Baselines ResNet- und EfficientNet-Modellen in einem gemeinsamen Trainings-, Validierungs- und Inferenzablauf gegenüber. FastAPI und React machen registrierte Modelle außerhalb von Notebooks nutzbar.
Vom Gesichtsbild zur Ausdrucksklassifikation
Bild
Eine Probe kommt aus dem Browser oder der Auswertung
Vorverarbeitung
Transformationen erzeugen konsistente Eingaben
Inferenz
Klassische Modelle und CNNs liefern Wahrscheinlichkeiten
FastAPI
Der Dienst stellt Modelloperationen bereit
Ergebnis
Die Oberfläche zeigt Klasse und Konfidenz
Was das System abdeckt
Vergleicht klassische Merkmale und SVMs mit CNN-Modellen.
Verwendet ResNet- und EfficientNet-Familien.
Deckt Training, Validierung, Vergleich und Vorhersage ab.
Überführt Offline-Experimente in eine interaktive lokale Anwendung.
Gemessene Validierungsergebnisse
Auswertungsartefakte des reduzierten Validierungsaufbaus; Genauigkeiten auf zwei Dezimalstellen gerundet.
Genauigkeit LBP + SVM
0,32
Reduzierter Validierungsaufbau
Genauigkeit HOG + SVM
0,38
Reduzierter Validierungsaufbau
Genauigkeit ResNet50
0,57
Reduzierter Validierungsaufbau
Genauigkeit EfficientNet-B0
0,58
Reduzierter Validierungsaufbau
Ensemble-Genauigkeit
0,59
Reduzierter Validierungsaufbau
Technologie
Stack
Bereiche
Geprüfte Implementierung
Die Modelle sind mit einem Auswertungsablauf verbunden
Das Repository führt registrierte Modelle durch Training, Validierung, Vergleich, Bericht und Serving.
Klassische Baselines
HOG- und LBP-Merkmale mit RBF-SVM-Klassifikatoren.
CNN-Familien
Training und Validierung für ResNet und EfficientNet.
Auswertungsberichte
Maschinen- und menschenlesbare Vergleichsergebnisse.
Nutzbarer Inferenzpfad
FastAPI liefert Vorhersagen, React zeigt Vergleiche und Berichte.
Ergebnisse
- CNNs übertrafen die klassischen Baselines; das Ensemble verbesserte das beste Einzelmodell leicht.
- FastAPI und React machen den Vergleich als Inferenzablauf nutzbar.
- Die Ergebnisse klassifizieren sichtbare Ausdrücke und bleiben innerhalb dieses Modellumfangs.
Möchtest du die Implementierung prüfen?
Das Repository enthält Quellcode, Einrichtungshinweise und Entwicklungshistorie.