Machine learning aplicat
Repository GitHubPlatformă pentru recunoașterea expresiilor faciale
De la experimente cu modele la predicții comparabile ale expresiilor faciale într-o interfață utilizabilă.
Context: Produs de machine learning aplicat
Perioadă: 2025-11 - 2026-02
Rezumat
Proiectul păstrează baseline-urile HOG/LBP și SVM alături de ResNet și EfficientNet într-un singur flux de antrenare, validare, comparație și inferență. Scripturile produc rapoarte de evaluare, iar FastAPI și React fac modelele înregistrate inspectabile în afara notebookurilor.
De la o imagine facială la clasificarea expresiei
Imagine
O mostră intră prin browser sau prin fluxul de evaluare
Preprocesare
Transformările pregătesc intrări consistente
Inferență
Modelele clasice și CNN produc probabilități
FastAPI
Serviciul expune operațiile modelelor
Rezultat
Interfața prezintă clasa și nivelul de încredere
Ce gestionează sistemul
Compară baseline-uri HOG/LBP și SVM cu modele CNN.
Folosește familiile de modele ResNet și EfficientNet.
Acoperă antrenarea, validarea, compararea, predicția și generarea rezultatelor.
Transformă experimentele ML offline într-o demonstrație locală interactivă.
Rezultate de validare măsurate
Artefacte de evaluare din repository pentru configurația redusă de validare, cu valorile acurateții rotunjite la două zecimale.
Acuratețe LBP + SVM
0,32
Configurație redusă de validare
Acuratețe HOG + SVM
0,38
Configurație redusă de validare
Acuratețe ResNet50
0,57
Configurație redusă de validare
Acuratețe EfficientNet-B0
0,58
Configurație redusă de validare
Acuratețe ensemble
0,59
Configurație redusă de validare
Tehnologie
Stack
Domenii
Implementare verificată
Modelele sunt conectate la un flux de evaluare
Antrenarea este doar o parte a repository-ului. Modelele înregistrate pot fi validate, comparate, raportate și servite în aceeași structură de proiect.
Baseline-uri clasice
Extractori HOG și LBP împreună cu clasificatoare RBF SVM.
Familii CNN
Fluxuri de antrenare și validare pentru ResNet și EfficientNet.
Rapoarte de evaluare
Scripturile scriu rezultate pentru procesare automată și pentru citire.
Flux de inferență utilizabil
FastAPI expune predicțiile, iar React prezintă comparațiile și rapoartele.
Concluzii
- Modelele CNN au depășit clar baseline-urile clasice, iar ensemble-ul a adus o îmbunătățire modestă față de EfficientNet-B0 pe setul redus de validare.
- Servirea prin FastAPI și React extinde comparația într-un flux de inferență utilizabil.
- Acuratețea măsurată definește interpretarea potrivită: predicțiile clasifică expresii faciale, iar starea interioară a persoanei rămâne în afara domeniului modelului.
Vrei să inspectezi implementarea?
Repository-ul conține codul sursă, instrucțiunile de configurare și istoricul dezvoltării.