DeepFace のインストール，DeepFace を用いた年齢・性別・表情推定プログラム，表情推定プログラム（DeepFace，Python，TensorFlow を使用）（Windows 上）

【概要】

Windows 環境でのDeepFaceのインストールと，DeepFaceを使用した顔画像解析プログラムを示しています．まず，DeepFaceのインストールとテスト実行方法が示しています．次に，パソコン接続のカメラを使用したリアルタイムの年齢・性別・表情推定プログラムが示しています．このプログラムでは，カメラから取得した顔画像に対してDeepFaceを用いて解析を行い，結果を画面上に表示します．選択された画像ファイルについて，年齢・性別・表情推定を行うプログラムを示しています．複数の画像ファイルを選択することで一括処理が可能です．さらに，DeepFaceを使用した顔認識プログラムも示しています．このプログラムでは，指定された画像に最も似ている顔画像をディレクトリ内の画像ファイルから検索し，入力画像と上位3つの結果を表示します．

【目次】

1. 前準備
2. DeepFace のインストールとテスト実行（Windows 上）
3. 顔画像からの表情，性別，年齢の推定（DeepFace を使用）
4. 顔認識の実行（DeepFace を使用）

前準備

Python 3.10，Git，7-Zip のインストール（Windows 上）

Pythonは，プログラミング言語の１つ． Gitは，分散型のバージョン管理システム． 7-Zipは，ファイル圧縮・展開（解凍）ツール．

【手順】

1. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）

   次のコマンドを実行

   次のコマンドは，Python ランチャーとPython 3.10とGitと7-Zipをインストールし，Gitと7-Zipにパスを通すものである．

   次のコマンドでインストールされるGitは 「git for Windows」と呼ばれるものであり， Git，MinGW などから構成されている．

   winget install --scope machine Python.Launcher
   winget install --scope machine Python.Python.3.10
   winget install --scope machine Git.Git
   powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\Program Files\Git\cmd\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"
   winget install --scope machine 7zip.7zip
   powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\Program Files\7-Zip\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"
   

【関連する外部ページ】

• Python の公式ページ: https://www.python.org/
• Git の公式ページ: https://git-scm.com/
• 7-Zip の公式ページ: https://7-zip.opensource.jp/

【サイト内の関連ページ】

• Python詳細ガイド：別ページ »

【関連項目】 Python, Git バージョン管理システム, Git の利用, 7-Zip

Build Tools for Visual Studio 2022 （ビルドツール for Visual Studio 2022）または Visual Studio 2022 のインストール（Windows 上）

【インストールの判断】 Build Tools for Visual Studio は，開発ツールセットである． Visual Studio は統合開発環境であり，いくつかの種類があり，Build Tools for Visual Studioの機能を含むか連携して使用するものである．インストールは以下の基準で判断してください：

• Build Tools for Visual Studio の機能のみが必要な場合

  Build Tools for Visual Studio のインストール を行う．

• Visual Studio の機能が必要である，あるいは，よく分からない場合

  Visual Studio をインストール する．

  Visual Studio 2022 をインストールする際に，「C++ によるデスクトップ開発」を選択することで， Build Tools for Visual Studio 2022 の機能も一緒にインストールされる．

不明な点がある場合は，Visual Studio 全体をインストール を行う方が良い．

Build Tools for Visual Studio 2022 のインストール（Windows 上）

1. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）

   次のコマンドを実行

   次のコマンドは，Build Tools for Visual Studio 2022と VC2015 再配布可能パッケージをインストールするものである．

   winget install --scope machine Microsoft.VisualStudio.2022.BuildTools 
   winget install --scope machine Microsoft.VCRedist.2015+.x64
   

2. Build Tools for Visual Studio 2022 での C++ によるデスクトップ開発，CLI，ATL，MFC のインストール（Windows 上）
   1. Visual Studio Installer の起動

      起動方法: スタートメニューの「Visual Studio Installer」を選ぶ．

   2. Visual Studio Build Tools 2022 で「変更」を選ぶ．
      
   3. 「C++ によるデスクトップ開発」をクリック．そして，画面右側の「インストール」の詳細で「v143 ビルドツール用 C++/CLI サポート（最新）」，「ATL」，「MFC」をチェックする．その後，「変更」をクリック．
      

Visual Studio のインストール（Windows 上）

1. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）

   次のコマンドを実行

   1. コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
   2. インストールコマンドの実行

      winget install Microsoft.VisualStudio.2022.Community --scope machine --override "--add Microsoft.VisualStudio.Workload.NativeDesktop Microsoft.VisualStudio.ComponentGroup.NativeDesktop.Core Microsoft.VisualStudio.Component.VC.CLI.Support Microsoft.VisualStudio.Component.CoreEditor Microsoft.VisualStudio.Component.NuGet Microsoft.VisualStudio.Component.Roslyn.Compiler Microsoft.VisualStudio.Component.TextTemplating Microsoft.VisualStudio.Component.Windows.SDK.Latest Microsoft.VisualStudio.Component.VC.Tools.x86.x64 Microsoft.VisualStudio.Component.VC.ATL Microsoft.VisualStudio.Component.VC.ATLMFC"
      winget install Microsoft.VisualStudio.2022.Community --scope machine Microsoft.VCRedist.2015+.x64
      

      インストールされるコンポーネントの説明：

      • NativeDesktop：C++によるデスクトップアプリケーション開発のためのワークロード一式
      • NativeDesktop.Core：C++デスクトップ開発に必要な基本コンポーネント群
      • VC.CLI.Support：マネージドコードとネイティブコードの統合開発を可能にするC++/CLIサポート
      • CoreEditor：コード編集，デバッグ，検索などの基本機能を提供するVisual Studioのコアエディタ
      • NuGet：.NETライブラリの依存関係を管理するパッケージ管理システム
      • Windows.SDK.Latest：Windows 向けアプリケーション開発用SDK（Software Development Kit）
      • VC.Tools.x86.x64：32ビット及び64ビット向けC++コンパイラとビルドツール
      • VC.ATL：Windowsコンポーネント開発用のActive Template Library
      • VC.ATLMFC：デスクトップアプリケーション開発用のMicrosoft Foundation Class Library

      システム要件と注意事項：

      • 管理者権限でのインストールが必須
      • 必要ディスク容量：10GB以上
      • 推奨メモリ：8GB以上のRAM
      • インストール過程でシステムの再起動が要求される可能性がある
      • 安定したインターネット接続環境が必要

      追加のコンポーネントが必要な場合は，Visual Studio Installerを使用して個別にインストールすることが可能である．

   3. インストール完了の確認

      winget list Microsoft.VisualStudio.2022.Community
      

      トラブルシューティング：

      インストール失敗時は，以下のログファイルを確認：

      %TEMP%\dd_setup_<timestamp>.log
      %TEMP%\dd_bootstrapper_<timestamp>.log

2. Visual Studio での C++ によるデスクトップ開発，CLI のインストール（Windows 上）
   1. Visual Studio Installer の起動

      起動方法: スタートメニューの「Visual Studio Installer」を選ぶ．

   2. Visual Studio Community 2022 で「変更」を選ぶ．
   3. 「C++ によるデスクトップ開発」をチェック．そして，画面右側の「インストール」の詳細で「v143 ビルドツール用 C++/CLI サポート（最新）」をチェックする．その後，「インストール」をクリック．

NVIDIA ドライバのインストール（Windows 上）

1. NVIDIA グラフィックス・ボードの確認

   Windows で，NVIDIA グラフィックス・ボードの種類を調べたいときは， 次のコマンドを実行することにより調べることができる．

   wmic path win32_VideoController get name
   

2. NVIDIA ドライバのダウンロード

   NVIDIA ドライバは，以下の NVIDIA 公式サイトからダウンロードできる．

   https://www.nvidia.co.jp/Download/index.aspx?lang=jp

3. ダウンロードの際には，使用しているグラフィックス・ボードの型番とオペレーティングシステムを選択する．

NVIDIA CUDA ツールキット 11.8 のインストール（Windows 上）

1. Windows では，NVIDIA CUDA ツールキットのインストール中は，なるべく他のウインドウはすべて閉じておくこと．
2. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
3. 次のコマンドを実行

   次のコマンドは，NVIDIA GeForce Experience，NVIDIA CUDA ツールキット 11.8 をインストールするものである．

   wmic path win32_VideoController get name
   
   winget install --scope machine Nvidia.CUDA --version 11.8
   powershell -command "[System.Environment]::SetEnvironmentVariable(\"CUDA_HOME\", \"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\", \"Machine\")"
   

4. NVIDIA CUDA ツールキットのインストールが終わったら，ユーザ環境変数 TEMP の設定を行う．

   Windows のユーザ名が日本語のとき，nvcc がうまく動作しないエラーを回避するためである．

   ユーザ環境変数 TEMP に「C:\TEMP」を設定するために， コマンドプロンプトで，次のコマンドを実行する．

   mkdir C:\TEMP
   powershell -command "[System.Environment]::SetEnvironmentVariable(\"TEMP\", \"C:\TEMP\", \"User\")"
   

NVIDIA cuDNN 8.9.7 のインストール（Windows 上）

zlib のインストール（Windows 上）

1. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
2. 次のコマンドを実行

   次のコマンドは，zlibをインストールし，パスを通すものである．

   cd /d c:%HOMEPATH%
   rmdir /s /q zlib
   git clone https://github.com/madler/zlib
   cd zlib
   del CMakeCache.txt
   rmdir /s /q CMakeFiles\
   cmake . -G "Visual Studio 17 2022" -A x64 -T host=x64 -DCMAKE_INSTALL_PREFIX=c:/zlib
   cmake --build . --config RELEASE --target INSTALL
   powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\zlib\bin\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"
   powershell -command "[System.Environment]::SetEnvironmentVariable(\"ZLIB_HOME\", \"C:\zlib\", \"Machine\")"
   

【関連する外部ページ】

• zlib の公式ページ: https://www.zlib.net/

【関連項目】 zlib

NVIDIA cuDNN 8.9.7 のインストール（Windows 上）

1. NVIDIA cuDNN のウェブページを開く

   https://developer.nvidia.com/cuDNN

2. ダウンロードしたいので，cuDNNのところにある「Download cuDNN」をクリック．
   
3. cuDNN Downloads のページで「Archive of Previous Releases」をクリック
   
4. 「cuDNN 8.x - 1.x」をクリック
   
5. ダウンロードしたいバージョンを選ぶ

   ここでは「NVIDIA cuDNN v8.9.7 for CUDA 11.x」を選んでいる．

   このとき，画面の「for CUDA ...」のところを確認し，使用するNVIDIA CUDA のバージョンに合うものを選ぶこと．

   
6. Windows にインストールするので Windows 版を選ぶ
   
7. NVIDIA Developer Program メンバーシップに入る

   NVIDIA cuDNN のダウンロードのため．

   「Join now」をクリック．その後，画面の指示に従う． 利用者本人が，電子メールアドレス，表示名，パスワード，生年月日を登録．利用条件等に合意．

   
8. ログインする
   
9. 調査の画面が出たときは，調査に応じる
10. ライセンス条項の確認
    
11. ダウンロードが始まる．
    
12. ダウンロードした .zip ファイルを展開（解凍）する． その中のサブディレクトリを確認しておく．

    Windows での展開（解凍）に便利な 7-Zip: 別ページ »で説明

    
13. NVIDIA CUDA ツールキットをインストールしたディレクトリを確認する．「C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8」のようになっている．
    
14. 確認したら， さきほど展開してできたすべてのファイルとディレクトリを，NVIDIA CUDA ツールキットをインストールしたディレクトリにコピーする
    
15. パスが通っていることを確認．

    次の操作により，cudnn64_8.dll にパスが通っていることを確認する．

    Windows のコマンドプロンプトを開き，次のコマンドを実行する．エラーメッセージが出ないことを確認．

    where cudnn64_8.dll
    

    
16. Windows の システム環境変数 CUDNN_PATH の設定を行う． Windows では， コマンドプロンプトを管理者として開き， 次のコマンドを実行することにより， システム環境変数 CUDNN_PATH の設定を行うことができる．

    コマンドプロンプトを管理者として実行: 別ページ »で説明

    powershell -command "[System.Environment]::SetEnvironmentVariable(\"CUDNN_PATH\", \"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\", \"Machine\")"
    

    

TensorFlow 2.10.1 のインストール（Windows 上）

1. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
2. TensorFlow 2.10.1 のインストール（Windows 上）

   次のコマンドを実行することにより，TensorFlow 2.10.1 および関連パッケージ（tf_slim，tensorflow_datasets，tensorflow-hub，Keras，keras-tuner，keras-visualizer）がインストール（インストール済みのときは最新版に更新）される． そして，Pythonパッケージ（Pillow, pydot, matplotlib, seaborn, pandas, scipy, scikit-learn, scikit-learn-intelex, opencv-python, opencv-contrib-python）がインストール（インストール済みのときは最新版に更新）される．

   python -m pip uninstall -y protobuf tensorflow tensorflow-cpu tensorflow-gpu tensorflow-intel tensorflow-text tensorflow-estimator tf-models-official tf_slim tensorflow_datasets tensorflow-hub keras keras-tuner keras-visualizer
   python -m pip install -U protobuf tensorflow==2.10.1 tf_slim tensorflow_datasets==4.8.3 tensorflow-hub tf-keras keras keras_cv keras-tuner keras-visualizer
   python -m pip install git+https://github.com/tensorflow/docs
   python -m pip install git+https://github.com/tensorflow/examples.git
   python -m pip install git+https://www.github.com/keras-team/keras-contrib.git
   python -m pip install -U pillow pydot matplotlib seaborn pandas scipy scikit-learn scikit-learn-intelex opencv-python opencv-contrib-python
   

DeepFace のインストールとテスト実行（Windows 上）

1. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
2. DeepFace のインストール

   * 「 python -m pip install ...」は，Python パッケージをインストールするためのコマンド．

   python -m pip install -U deepface
   

3. ソースコード等のダウンロード，DeepFace のインストール

   cd /d c:%HOMEPATH%
   rmdir /s /q deepface
   git clone --recursive https://github.com/serengil/deepface
   cd deepface 
   python -m pip install -v -e .
   

   
4. 確認のため，顔認識のコマンドを実行してみる．

   cd /d c:%HOMEPATH%
   deepface find deepface\tests\dataset\img38.jpg deepface\tests\dataset
   

   
5. 確認のため，表情や性別や年齢の推定のコマンドを実行してみる．

   cd /d c:%HOMEPATH%
   deepface analyze -d retinaface deepface\tests\dataset\img38.jpg
   

   

顔画像からの表情，性別，年齢の推定（DeepFace を使用）

パソコン接続のカメラを使用

1. Windows で，コマンドプロンプトを実行
2. エディタを起動

   cd /d c:%HOMEPATH%
   notepad tfdeepface.py
   

   
3. エディタで，次のプログラムを保存

   このプログラムは、カメラからリアルタイムで顔画像を取得し、DeepFaceライブラリを用いて年齢、性別、表情の推定を行います。推定結果は画面上に表示され、フレームレートも計算されます。GPUが利用可能な場合はGPUを使用します．'q'キーで終了、'p'キーで一時停止/再開ができます。

   【プログラムの説明】

   1. set_gpu_config() 関数で、利用可能なGPUを設定し、GPUが見つからない場合はCPUを使用することを示します。
   2. resize_image() 関数で、入力画像をリサイズします（縦横比を維持）。
   3. display_results() 関数で、推定結果を入力画像上に描画します。
   4. update_fps() 関数で、FPSを計算し更新します。
   5. analyze_camera_frames() 関数で、以下の処理を行います：

      カメラから画像を取得、入力画像をリサイズ、DeepFaceを使用して年齢、性別、表情を推定、推定結果を表示、FPSを更新、'q'キーで終了、'p'キーで一時停止/再開

   6. main() 関数で、GPUの設定を行い、analyze_camera_frames() 関数を呼び出します。

   【使用法】

   1. プログラムを実行すると、カメラを使い、リアルタイムで顔の検出と属性（年齢、性別、表情）の推定が始まります。
   2. 画面上には、検出された顔の属性（年齢、性別、表情）、推定にかかった時間、現在のFPSが表示されます。
   3. プログラムの実行中に以下のキー操作ができます：
      • 'q' キー：プログラムを終了します。
      • 'p' キー：推定処理を一時停止/再開します。一時停止中は、画面が静止し、最後に処理されたフレームが表示されます。
   4. プログラムを終了するには、'q' キーを押すか、ウィンドウを閉じてください。

   import tensorflow as tf
   from deepface import DeepFace
   import cv2
   import time
   import numpy as np
   
   # ==== 設定 ====
   CONFIG = {
       'ACTIONS': ['age', 'gender', 'emotion'],
       'OUTPUT_SIZE': (400, 400)
   }
   
   def set_gpu_config():
       """
       GPUの設定と確認を行う関数
       """
       physical_devices = tf.config.list_physical_devices('GPU')
       if len(physical_devices) > 0:
           print("GPU available:", physical_devices)
           for device in physical_devices:
               tf.config.experimental.set_memory_growth(device, True)
       else:
           print("No GPU found. Running on CPU.")
   
   def resize_image(img, size):
       """
       画像をリサイズする関数（縦横比を維持）
       """
       height, width, _ = img.shape
       aspect_ratio = width / height
       target_width, target_height = size
       if aspect_ratio > 1:
           target_height = int(target_width / aspect_ratio)
       else:
           target_width = int(target_height * aspect_ratio)
       return cv2.resize(img, (target_width, target_height), interpolation=cv2.INTER_AREA)
   
   def display_results(frame, obj, prediction_time, fps):
       """
       推定結果を表示する関数
       """
       # 入力画像に推定結果を描画
       cv2.putText(frame, f"Age: {obj['age']}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
       cv2.putText(frame, f"Gender: {obj['gender']}", (10, 70), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
       cv2.putText(frame, f"Emotion: {obj['dominant_emotion']}", (10, 110), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
       cv2.putText(frame, f"Time: {prediction_time:.2f}s", (10, 150), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
       cv2.putText(frame, f"FPS: {fps:.2f}", (10, 190), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
   
   def update_fps(fps_buffer, prediction_time):
       """
       FPSを更新する関数
       """
       fps_buffer.append(prediction_time)
       if len(fps_buffer) > 10:
           fps_buffer.pop(0)
       fps = len(fps_buffer) / sum(fps_buffer)
       return fps
   
   def analyze_camera_frames():
       """
       カメラからのフレームを取得し、年齢、性別、表情の推定を行う関数
       """
       cap = cv2.VideoCapture(0)
       fps_buffer = []
       paused = False
   
       while cap.isOpened():
           if not paused:
               ret, frame = cap.read()
               if not ret:
                   break
   
               # 入力画像をリサイズ（縦横比を維持）
               frame = resize_image(frame, CONFIG['OUTPUT_SIZE'])
   
               start_time = time.perf_counter()
               obj = DeepFace.analyze(img_path=frame, actions=CONFIG['ACTIONS'], enforce_detection=False)
   
               if isinstance(obj, list) and len(obj) > 0:
                   obj = obj[0]  # リストの最初の要素を取得
   
               prediction_time = time.perf_counter() - start_time
               fps = update_fps(fps_buffer, prediction_time)
               display_results(frame, obj, prediction_time, fps)
   
           cv2.imshow("Age, Gender, Emotion Estimation", frame)
   
           key = cv2.waitKey(1) & 0xFF
           if key == ord('q'):
               break
           elif key == ord('p'):
               paused = not paused
   
       cap.release()
       cv2.destroyAllWindows()
   
   def main():
       set_gpu_config()
       analyze_camera_frames()
   
   if __name__ == "__main__":
       main()
   

4. Python プログラムの実行

   Python プログラムの実行

   • Windows では python （Python ランチャーは py）
   • Ubuntu では python3

   【サイト内の関連ページ】 Python のまとめ: 別ページ »

   プログラムを tfdeepface.pyのようなファイル名で保存したので， 「python tfdeepface.py」のようなコマンドで行う．

   python tfdeepface.py
   

   
5. 結果の確認

   終了は q キー

   

画像ファイルを選択

1. Windows で，コマンドプロンプトを実行
2. エディタを起動

   cd /d c:%HOMEPATH%
   notepad tfdeepfaceimg.py
   

   
3. エディタで，次のプログラムを保存

   このプログラムは、OpenCVとDeepFaceを用いて、選択した画像から年齢、性別、感情を推定し、結果を画像に表示します。

   【プログラムの説明】

   1. GPUの設定、画像ファイルの選択、画像のリサイズを行う関数を定義します。
   2. DeepFaceを使用して年齢、性別、感情を推定し、結果を表示する関数を定義します。
   3. 推定結果を画像に描画する処理を行います。
   4. メイン関数で、選択した画像に対して処理を実行し、結果を表示します。

   【使用法】

   1. プログラムを実行する
   2. 画像ファイルを選択する

      ファイル選択ダイアログが表示されるので、画像ファイルを選択します。 複数の画像を選択する場合は、Ctrlキー（Windows の場合）またはCommandキー（Macの場合）を押しながらクリックします。

   3. 結果を確認します。
      1. 選択した画像ごとに、推定結果がコンソールに表示され、結果が描画された画像
      2. が表示されます。
      3. 結果が表示されたウィンドウは、任意のキーを押すと閉じられます。

   import tensorflow as tf
   from deepface import DeepFace
   import pandas as pd
   import os
   import cv2
   import tkinter as tk
   from tkinter import filedialog
   
   # ==== 設定 ====
   CONFIG = {
       'ACTIONS': ['age', 'gender', 'emotion'],
       'OUTPUT_SIZE': (400, 400)
   }
   
   def set_gpu_config():
       """
       GPUの設定と確認を行う関数
       """
       physical_devices = tf.config.list_physical_devices('GPU')
       if len(physical_devices) > 0:
           print("GPU available:", physical_devices)
           for device in physical_devices:
               tf.config.experimental.set_memory_growth(device, True)
       else:
           print("No GPU found. Running on CPU.")
   
   def select_files():
       """
       画像ファイルを選択する関数
       """
       root = tk.Tk()
       root.withdraw()
       image_paths = filedialog.askopenfilenames()
       return image_paths
   
   def resize_image(img, size):
       """
       画像をリサイズする関数（縦横比を維持）
       """
       height, width, _ = img.shape
       aspect_ratio = width / height
       target_width, target_height = size
       if aspect_ratio > 1:
           target_height = int(target_width / aspect_ratio)
       else:
           target_width = int(target_height * aspect_ratio)
       return cv2.resize(img, (target_width, target_height), interpolation=cv2.INTER_AREA)
   
   def display_results(obj, img_path):
       """
       推定結果を表示する関数
       """
       print(f"Image: {img_path}")
       print(f"Age: {obj['age']}")
       print(f"Gender: {obj['gender']}")
       print(f"Emotion: {obj['dominant_emotion']}")
       print("\n")
   
   def process_image(img_path):
       """
       画像処理と年齢、性別、表情の推定を行う関数
       """
       img = cv2.imread(img_path)
       if img is None:
           print(f"Failed to read image: {img_path}. Skipping.")
           return None
   
       # 入力画像をリサイズ（縦横比を維持）
       img = resize_image(img, CONFIG['OUTPUT_SIZE'])
   
       print(f"Image dimensions for {img_path}: Width = {img.shape[1]}, Height = {img.shape[0]}")
   
       obj = DeepFace.analyze(img_path=img_path, actions=CONFIG['ACTIONS'])
       
       if isinstance(obj, list) and len(obj) > 0:
           obj = obj[0]  # リストの最初の要素を取得
       
       display_results(obj, img_path)
   
       # 入力画像に推定結果を描画
       cv2.putText(img, f"Age: {obj['age']}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
       cv2.putText(img, f"Gender: {obj['gender']}", (10, 70), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
       cv2.putText(img, f"Emotion: {obj['dominant_emotion']}", (10, 110), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
   
       return img
   
   def main():
       set_gpu_config()
       img_paths = select_files()
   
       for img_path in img_paths:
           if not os.path.isfile(img_path):
               print(f"Image file not found: {img_path}. Skipping.")
               continue
   
           img = process_image(img_path)
           if img is not None:
               cv2.imshow("Age, Gender, Emotion Estimation", img)
               cv2.waitKey(0)
               cv2.destroyAllWindows()
   
   if __name__ == "__main__":
       main()
   

4. Python プログラムの実行

   Python プログラムの実行

   • Windows では python （Python ランチャーは py）
   • Ubuntu では python3

   【サイト内の関連ページ】 Python のまとめ: 別ページ »

   プログラムを tfdeepfaceimg.pyのようなファイル名で保存したので， 「python tfdeepfaceimg.py」のようなコマンドで行う．

   python tfdeepfaceimg.py
   

   
5. ファイルダイアログが開くので，画像ファイルを選ぶ．

   このとき，画像ファイルを複数選ぶことができる．

   
6. 結果の確認
   

顔認識の実行（DeepFace を使用）

1. Windows で，コマンドプロンプトを実行
2. エディタを起動

   cd /d c:%HOMEPATH%
   notepad tfdeepfacerecog.py
   

   
3. エディタで，次のプログラムを保存

   次のプログラムは，DeepFaceを使用して顔認識を行い，入力画像に最も似ている顔画像を指定されたディレクトリ内の画像ファイルから検索し，入力画像と上位3つの結果を表示するプログラムです．

   プログラムの主な流れは以下の通りです．

   1. 必要なライブラリとモジュールをインポートします．
   2. 設定値（モデル名，距離メトリック，入力サイズ，出力サイズ，結果ウィンドウ名）を設定します．
   3. GPUの設定と確認を行います．
   4. 選択されたファルダについて，画像ファイルを1枚ずつ処理します．

      画像を読み込み，縦横比を維持しながら入力サイズにリサイズします． 顔認識を実行します．結果を表示します．あわせて， 結果の上位3つの画像を読み込み，縦横比を維持しながら出力サイズにリサイズします． リサイズされた結果の画像を表示します．

   プログラムの使い方

   1. プログラムを実行する
   2. 顔認識したい画像ファイルを選択する
   3. 顔画像の入ったフォルダを選択する
   4. 結果ウィンドウに入力画像と最も似ている上位3つの顔画像が表示される．画面に類似度が高い顔画像のファイル名が表示される．

   import tensorflow as tf
   from deepface import DeepFace
   import cv2
   import tkinter as tk
   from tkinter import filedialog
   import os
   import numpy as np
   
   # ==== 設定 ====
   CONFIG = {
       'MODEL_NAME': 'VGG-Face',
       'DISTANCE_METRIC': 'cosine',
       'INPUT_SIZE': (224, 224),
       'OUTPUT_SIZE': (400, 400),
       'RESULT_WINDOW_NAME': 'Face Recognition Results'
   }
   
   def select_files():
       """
       画像ファイルを選択する関数
       """
       try:
           if 'google.colab' in str(get_ipython()):
               from google.colab import files
               uploaded = files.upload()
               image_paths = list(uploaded.keys())
           else:
               root = tk.Tk()
               root.withdraw()
               image_paths = filedialog.askopenfilenames()
       except NameError:
           root = tk.Tk()
           root.withdraw()
           image_paths = filedialog.askopenfilenames()
       return image_paths
   
   def select_folder():
       """
       フォルダを選択する関数
       """
       root = tk.Tk()
       root.withdraw()
       folder_path = filedialog.askdirectory()
       return folder_path
   
   def set_gpu_config():
       """
       GPUの設定と確認を行う関数
       """
       physical_devices = tf.config.list_physical_devices('GPU')
       if len(physical_devices) > 0:
           print("GPU available:", physical_devices)
           for device in physical_devices:
               tf.config.experimental.set_memory_growth(device, True)
       else:
           print("No GPU found. Running on CPU.")
   
   def perform_face_recognition(img_path, db_path):
       """
       顔認識を実行する関数
       """
       try:
           print(img_path, db_path)
           df = DeepFace.find(img_path=img_path, db_path=db_path,
                              model_name=CONFIG['MODEL_NAME'],
                              distance_metric=CONFIG['DISTANCE_METRIC'],
                              detector_backend='skip')
           if isinstance(df, list) and len(df) > 0:
               df = df[0]
           df['img_path'] = img_path  # img_pathをDataFrameに追加
           return df
       except Exception as e:
           print(f"Error during face recognition for {img_path}: {str(e)}")
           return None
   
   def process_image(img_path, db_path):
       """
       画像処理と顔認識を行う関数
       """
       img = cv2.imread(img_path)
       if img is None:
           print(f"Failed to read image: {img_path}. Skipping.")
           return None
   
       # 入力画像をリサイズ（縦横比を維持）
       img = resize_image(img, CONFIG['INPUT_SIZE'])
   
       print(f"Image dimensions for {img_path}: Width = {img.shape[1]}, Height = {img.shape[0]}")
   
       results = perform_face_recognition(img_path, db_path)
       if results is None or results.empty:
           return None
   
       distance_column = get_distance_column(results)
       if distance_column is None:
           print(f"No distance column found for {img_path}. Skipping.")
           return None
   
       display_results(results, distance_column, img_path)  # img_pathを渡す
   
       # 入力画像をリサイズ（縦横比を維持）
       input_img = resize_image(img.copy(), CONFIG['OUTPUT_SIZE'])
       # 入力画像にファイル名を描画
       cv2.putText(input_img, f"Input: {os.path.basename(img_path)}",
                   (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
   
       result_images = process_result_images(results, distance_column)
       padded_images = pad_images([input_img] + result_images)
   
       return padded_images
   
   def resize_image(img, size):
       """
       画像をリサイズする関数（縦横比を維持）
       """
       height, width, _ = img.shape
       aspect_ratio = width / height
       target_width, target_height = size
       if aspect_ratio > 1:
           target_height = int(target_width / aspect_ratio)
       else:
           target_width = int(target_height * aspect_ratio)
       return cv2.resize(img, (target_width, target_height), interpolation=cv2.INTER_AREA)
   
   def get_distance_column(results):
       """
       距離メトリックに対応する列名を取得する関数
       """
       distance_columns = [col for col in results.columns if 'distance' in col]
       if len(distance_columns) > 0:
           return distance_columns[0]
       else:
           return None
   
   def display_results(results, distance_column, img_path):
       """
       顔認識結果を表示する関数
       """
       for _, row in results.iterrows():
           target_img_path = row.identity
           distance = row[distance_column]
   
           print(f"Source Image: {img_path}")  # img_pathを直接使用
           print(f"Target Image: {target_img_path}")
           print(f"Distance: {distance}")
   
           # facial_areaが存在する場合のみ表示
           if 'facial_area' in row:
               facial_area = row.facial_area
               print(f"Bounding Box: {facial_area}")
   
           print("\n")
   
   def process_result_images(results, distance_column):
       """
       結果の画像を処理する関数
       """
       result_images = []
       for i, (_, row) in enumerate(results.sort_values(by=distance_column).head(3).iterrows(), start=1):
           identity = row.identity
           result_img = cv2.imread(identity)
           if result_img is None:
               print(f"Failed to read result image: {identity}. Skipping.")
               continue
   
           # 結果の画像をリサイズ（縦横比を維持）
           result_img = resize_image(result_img, CONFIG['OUTPUT_SIZE'])
   
           # 結果の画像にファイル名と距離を描画
           cv2.putText(result_img, f"Result {i}: {os.path.basename(identity)}",
                       (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
           cv2.putText(result_img, f"Distance: {row[distance_column]:.4f}",
                       (10, 70), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
   
           result_images.append(result_img)
   
       return result_images
   
   def pad_images(images):
       """
       画像の高さを揃えるために、上下に黒い余白を追加する関数
       """
       max_height = max(img.shape[0] for img in images)
       padded_images = []
       for img in images:
           height, width, _ = img.shape
           pad_height = max_height - height
           pad_top = pad_height // 2
           pad_bottom = pad_height - pad_top
           padded_img = cv2.copyMakeBorder(img, pad_top, pad_bottom, 0, 0,
                                           cv2.BORDER_CONSTANT, value=[0, 0, 0])
           padded_images.append(padded_img)
       return padded_images
   
   def display_results_window(padded_images):
       """
       結果の画像を表示するウィンドウを作成する関数
       """
       if len(padded_images) <= 1:
           return
   
       line_width = 10
       max_height = padded_images[0].shape[0]
       line_img = np.zeros((max_height, line_width, 3), dtype=np.uint8)
       line_img[:] = [255, 255, 255]  # 白色の線
   
       output_img = np.concatenate([padded_images[0], line_img] + padded_images[1:], axis=1)
       cv2.imshow(CONFIG['RESULT_WINDOW_NAME'], output_img)
       cv2.waitKey(0)
       cv2.destroyAllWindows()
   
   def main():
       set_gpu_config()
       img_paths = select_files()
       db_path = select_folder()
   
       if not db_path:
           print("No database folder selected. Exiting.")
           return
   
       for img_path in img_paths:
           if not os.path.isfile(img_path):
               print(f"Image file not found: {img_path}. Skipping.")
               continue
   
           padded_images = process_image(img_path, db_path)
           if padded_images is not None:
               display_results_window(padded_images)
   
   if __name__ == "__main__":
       main()
   

4. Python プログラムの実行

   Python プログラムの実行

   • Windows では python （Python ランチャーは py）
   • Ubuntu では python3

   【サイト内の関連ページ】 Python のまとめ: 別ページ »

   プログラムを tfdeepface.pyのようなファイル名で保存したので， 「python tfdeepface.py」のようなコマンドで行う．

   python tfdeepface.py
   

   
5. ファイルダイアログが開くので，画像ファイルを選ぶ．

   このとき，画像ファイルを複数選ぶことができる．

   
6. 次に出力結果を保存するフォルダを選ぶ．
   
7. 結果の確認