構建情緒檢測應用程式

計算機視覺（Computer Vision，CV）可能是一個理論性很強的領域，需要有大量的ML和數學知識來理解為諸如目標檢測、人臉識別和目標跟蹤等主題提供動力的演算法，

如果你在理論上沒有經驗，或者沒有時間構建定制的ML/CV模型，那么AWS Rekognion使你能夠通過API呼叫構建功能強大的CV應用程式，

AWS Rekognion是AWS提供的眾多汽車AI服務之一，這些服務是為那些在ML方面沒有太多背景知識的開發人員，或者是時間不多的資料科學家提供的，他們可以快速構建功能強大的ML應用程式，或者根據你可能正在開發的自定義模型對性能進行基準測驗，

AWS Rekognion是AWS上用于計算機視覺的事實上的自動人工智能服務，如果你對構建自定義模型感興趣，請查看AWS SageMaker和我關于如何在那里部署自定義TensorFlow模型的文章：https://towardsdatascience.com/training-and-deploying-custom-tensorflow-models-with-aws-sagemaker-72027722ad76，

在本文中，我們將構建一個Streamlight應用程式，該應用程式接受影像并使用Rekognion回傳影像中檢測到的情感，

注意：對于那些剛接觸AWS的人（最好有一些經驗來完全理解這篇文章），如果你想繼續學習，請確保在下面的鏈接上創建一個帳戶：https://aws.amazon.com/console/，

我還將提供我們將使用的服務串列，以及更深入的定義，如果你已經熟悉這些服務，請跳到代碼演示，

目錄

1. AWS服務

2. 設定Streamlight應用程式

3. 整合 Rekognition

4. 代碼和結論

AWS服務

AWS Rekognition：AWS主要的汽車AI計算機視覺服務，具有從人臉檢測、文本檢測到目標跟蹤的大量特征，

AWS S3:Amazon的存盤服務，我們將使用此服務存盤我們的訓練資料和模型/資訊，

Boto3:AWS軟體開發工具包（SDK），用于Python開發人員，可以使用它來處理AWS服務，對于這個用例，我們將使用Boto3與S3訪問我們的影像并呼叫Rekognition，

身份訪問和管理（IAM）：允許你通過權限和角色管理AWS服務的訪問，使用我的代碼時，你可能希望通過AWS CLI對用戶進行身份驗證，如果你需要安裝方面的幫助，這里有一篇文章詳細介紹了該程序：https://blog.gruntwork.io/authenticating-to-aws-with-the-credentials-file-d16c0fbcbf9e，

設定Streamlight應用程式

在開始處理Rekognition部分之前，我們需要設定web應用程式，

我們希望我們的應用程式能夠上傳一個檔案，然后我們可以在后端使用Rekognion進行處理，

Streamlit有一個整潔的檔案上傳功能，我們可以在這個用例中使用它，我已經創建了一個樣本影像的小目錄，我們可以呼叫它進行分析，

import streamlit as st
import boto3 

# S3 Bucket
s3 = boto3.resource('s3', region_name = 'us-east-1')
inputFile = st.file_uploader("Image for Emotion Detection", type = "jpeg")

# 將檔案上傳到S3
if inputFile is not None:
    imageFileName = inputFile.name
    S3Name = "streamlit-" + imageFileName
    s3.meta.client.upload_file(f"./TestImages/{imageFileName}", imagesBucket, S3Name)

我們從示例影像目錄中捕獲該檔案，然后，我們使用Boto3與S3協作，將本地影像存盤在我們創建的S3 bucket中，

要創建S3 bucket，你可以轉到AWS控制臺并手動創建，或者如果你有AWS CLI設定，則只需運行AWS mb unique-bucket-name來創建你的bucket，

我們需要S3中的資料，因為Rekognition直接與S3集成用于API呼叫，因此需要將影像上傳到S3的代碼，

我們現在有了Streamlight應用程式，可以接受影像并將其推送到S3，以便與Rekognion一起作業，

整合Rekognition

我們現在可以專注于在樣本影像上運行情感檢測，Rekognition在detect_faces中有一個API呼叫，它獲取輸入影像并回傳各種引數，例如：年齡范圍、性別、睜眼、情緒等，

在本應用程式中，我們將重點關注情緒引數，我們首先需要為Rekognition創建一個boto3客戶機，就像我們對S3所做的那樣，

rekogClient = boto3.client('rekognition', region_name = 'us-east-1')

我們現在有了客戶端，現在可以將適當的資料提供給detect_faces API呼叫，

# 情緒檢測
response = rekogClient.detect_faces(
    Image = {
        'S3Object': {
            'Bucket': imagesBucket,
            'Name': S3Name
        }
    },
    Attributes = ['ALL']
)

現在，我們已經得到了API回應，我們希望決議輸出以關注臉部檢測到的情緒，下面顯示了我們為演示上傳的示例影像，

現在，我們決議回應以顯示大多數情緒和檢測到的所有其他情緒，以及Rekognion在情緒中的信心分數，

st.subheader("Main Emotion Detected")
emotions = response['FaceDetails'][0]['Emotions']
for emotion in emotions:
    confidence = emotion['Confidence']
    if confidence >= 50:
        st.write("Majority Emotion: " + emotion['Type'])
        st.write("Confidence Score: " + str(confidence))



st.subheader("All Emotions Detected")
for emotion in emotions:
    st.write(str(emotion['Type']) + ": " + str(emotion['Confidence']))

現在，如果我們使用streamlit run filename.py運行streamlit應用程式，我們將看到我們的應用程式成功運行，

我們可以看到Rekognition檢測到的所有情緒，為了清理UI，你還可以添加一個CV庫，如PIL，以顯示你正在上傳的示例影像或檔案，

全部代碼和結論

https://github.com/RamVegiraju/MoodDetectionApp

要訪問專案的完整代碼，請單擊上面的鏈接，

自動人工智能正在迅速擴張，AWS、Azure和GCP等云提供商也在增長，并提供各種尖端服務，如Rekognion，使你能夠以簡單的方式使用ML為應用程式供電，

Rekognion對于資料科學家和非ML背景的人來說非常有用，可以快速啟動并運行計算機視覺應用程式，

☆ END ☆

如果看到這里，說明你喜歡這篇文章，請轉發、點贊，微信搜索「uncle_pn」，歡迎添加小編微信「 woshicver」，每日朋友圈更新一篇高質量博文，

↓掃描二維碼添加小編↓