Маска крахмал: Маска для лица с крахмалом

Содержание

Маска для лица с крахмалом

Маска для лица с крахмалом обладает просто чудодейственными свойствами по утверждению многих интернет-порталов. Какими? Правда ли это? И какие рецепты помогут именно вам? Ниже мы собрали информацию о пользе крахмала, его действии, свойствах и лучшие рецепты ухода.

Домашняя маска с крахмалом для лица вместо ботокса

Маска для лица с крахмалом даже в чистом виде содержит богатейший состав, который позволяет ей соперничать с дорогостоящим ботоксом. Крахмал получается на основе глюкозы и обладает вязкостью. В нем есть и природные ферменты и активные вещества. Это позволяет усилить выработку собственного коллагена и эластина. Они в свою очередь повышают упругость и эластичность. Морщинки, неровности и рубчики становятся менее заметны.

В основном крахмал рекомендуют для очищения и анти-возрастного ухода. Еще он помогает:

  • очистить поры
  • нормализовать работу сальных желез
  • снять воспаление и покраснение
  • устранить сухость и шелушение
  • деликатно подтянет и осветлит
  • увлажнит
  • повысит эластичность и упругость

Крахмал весьма редко вызывает аллергию. Но чтобы снизить риск, до применения небольшое количество выбранного средства нанесите на сгиб локтя и оцените реакцию в течение 20-30 минут. Если покраснения и неприятных ощущений не возникло, риск аллергии минимален.

Маска для лица с крахмалом помогает при регулярном применении. Рекомендуется курс по 8-10 процедур 1-2 раза в неделю. После чего можно повторить.

Маски с сухим крахмалом для лица

Практически любой вид крахмала обладает всеми вышеперечисленными свойствами. Поэтому Вы можете выбрать любой из них. Наиболее часто маска для лица с крахмалом делается из картофельного, рисового или кукурузного.

Есть 2 способа. Можно его действительно варить. Для этого заливаем ложку крахмала 3мя воды и хорошо перемешиваем. Вливаем еще 50 мл воды и ставим на плиту. Помешиваем на тихом огне пока не превратится в вязкий раствор. Он хранится в холодильнике при необходимости.

Другой вариант. Просто залить крахмал теплой, почти горячей водой. Хорошо размешать и немного подождать пока крахмал разойдется.

Чтобы сделать маску из крахмала для лица.

  1. Очистите кожу и распарьте.
  2. Нанесите заранее выбранную и подготовленную смесь.
  3. Выдержите четверть часа, смойте и нанесите увлажняющий крем.

Маска с крахмалом для лица от морщин

От морщин помогут несколько рецептов с крахмалом. Особенно с витаминами. Касторка – одно из лучших средств против морщин в натуральной косметологии. Попробуйте следующий рецепт:

  • касторка, крахмал, витам. А и Е

Столовую ложку картофельного крах-ла залейте теплой водой до образования густой консистенции. Добавьте чайную ложку касторки и по пол-чайной каждого витамина.

Про касторовое масло от морщин->>

Про масло жожоба для лица->>

Маска для лица с белком и крахмалом

Маска белок с крахмалом для лица эффект дает буквально после первого же применения. Она очищает, омолаживает и делает морщинки менее заметными.

  • белок, крахмал, теплая вода

К-л залейте водой. Пока он разбухает, взбейте белок. Соедините и размешайте. Наносите на очищенную и распаренную кожу с помощью спонжа, ватного диска или кисти. Через 10 мин можно нанести 2й слой. Оставьте еще на 15-20 минут и смойте водой.

При желании получить еще и небольшое осветление, добавьте чайную ложку лимонного сока. Чтобы смесь не стекала, можно наложить бумажную салфетку после нанесения.

Про белок для лица->>

Омолаживающая маска для лица с крахмалом

Омолаживающий рецепт для всех возрастов и типов кожи:

  • рыбий жир, авокадо, крахмал

Завариваем крахмал. Добавляем в него по чайной ложке рыбьего жира и пюре авокадо. Накладываем на 15-20 мин. Смываем проточной водой.

Рыбий жир – чистый омега-3. Он позволяет восстановить упругость и эластичность, обеспечивает интенсивный обмен веществ. Авокадо помогает питанию и разглаживанию морщинок. Можно использовать масло из него.

Про лучшие омолаживающие маски для лица->>

Маска для лица с крахмалом и медом

  • мед, сметана, крахмал

Разбавьте стол.л. к-ла теплой водой и добавьте по чайной ложечке остальных компонентов. Держите 10-20 минут. После снятия нанесите увлажняющий крем.

Мед содержит в своем составе более 200 активных природных компонентов. Он помогает обеспечить необходимое питание, способствует восстановлению цвета и бархатистости. При отсутствии аллергии, конечно. Поэтому перед применением этого состава не забывайте делать тест на чувствительность.

Про маски для лица с медом->>

Маска для лица с крахмалом и яйцом

  • яйцо, кефир, крахмал

На одно яйцо потребуется по столов.л. других компонентов. Крахмал предварительно заливаем теплой водой. Смесь подходит и для области вокруг глаз. Чтобы состав не стекал, сверху после нанесения наложите сухую салфетку.

Подтягивающие маски для лица с крахмалом

  • белок, кефир, крахмал

Рецепт чем то похож на предыдущий. Но имеет больший подтягивающий эффект. На 1 куриный белок – чайную лож. кефира и столовую разведенного крахмала. Наносите на хорошо распаренную кожу. Для этого после очищения наложите горячее полотенце. После нанесения состава приложите сухую салфетку без рисунка. Как только начнет стягивать, снимите снизу вверх. За счет такого движения подтягивающий эффект делается заметнее. Но не давайте салфетке полностью высохнуть.

Про маски от морщин->>

Маска для лица с крахмалом после 40

После 40 подойдет предыдущий рецепт или:

  • помидор, крахмал, оливковое масло

Свежий помидор очищает от кожицы и разминаем в пюре. Добавляем чайную ложку с горкой крахмала и столько же маслица. Накладываем на выбранные области. Этот натуральный рецепт позволит обеспечить питание и запустит регенерацию.

Про маски от морщин вокруг глаз->>

Маска для подтяжки лица с крахмалом

Хлебопекарные дрожжи содержат уникальные ферменты, способствующие омоложению и интенсивной регенерации.

  • дрожжи, молоко, крахмал, белок

По чайной л-ке сухих компонентов заливаем теплым молоком в 2м количестве. Белок отдельно взбиваем венчиком. Соединяем и накладываем ватным диском на нужные области. Лучше это делать по массажным линиям.

Про маски для лица с огурцом->>

Маска для лица с кукурузным крахмалом

Маска с кукурузным крахмалом для омоложения лица обладает теми же свойствами, что и остальные крахмалы. Омолаживает, подтягивает и ускоряет процессы обновления. Витамин Е и В, присутствующие в этом составе помогают в этом.

  • кукурузный крахмал, сметана, витамин Е

Залейте крахмал теплой водой. Примешайте чайн.л. сметаны и пол-чайн. л. жидкого витамина Е.

Маска от черных точек->>

Маска для лица с картофельным крахмалом

Маски с картофельным крахмалом для лица омоложение одни из наиболее эффективных. Следующий рецепт более подойдет для сухой и возрастной дермы.

  • крахмал, персиковое масло, мед

На ст.л. разведенного крах-ла берем по чайной остальных компонентов.

  • крахмал, эфир чайного дерева

Этот состав больше походи для жирной кожи. Чайное дерево способствует очищению и усиливает омолаживающие свойства. Достаточно всего 5-10 капель на порцию.

Про персиковое масло для лица->>

Маска для лица с крахмалом и бананом

  • банан, мед, крахмал, сливки

Мякоть банана обладает анти-возрастными свойствами. Морщинки после его воздействия становятся менее заметными. Кр-л заливает теплыми сливками, добавляем по чайной ложечке остального. Перемешиваем до однородности и наносим.

Сода для лица->>

Про маски для лица с лимоном->>

Маска для лица с желтком и крахмалом

  • желток, крах-л, масло зародышей пшеницы

Желток – кладезь витаминов, минералов и ферментов. Он восстанавливает цвет и налаживает питание. Масло зародышей пшеницы и крахмал устранят сухость, шелушение и морщинки разной глубины.

Про масло зародышей пшеницы для лица->>

Маска для лица с крахмалом сметаной

Маска для лица из крахмала со сметаной поможет от возрастных изменений. Наиболее эффективна жирная сметана. Для усиления эффекта добавьте содержимое нескольких капсул аевита.

Скраб для лица в домашних условиях->>

Маска для лица с крахмалом солью

  • соль мелкая, крах-л, молоко, мед

Морская соль содержит минеральный комплекс, необходимый для правильных обменных процессов. По стол.л. соли и крахмала залейте теплым молоком. Добавьте маленькую ложечку меда.

Ванночки для ногтей с солью->>

Маска для лица с кефиром и крахмалом

  • зеленый чай, кефир, крахмал, оливковое масло

Залейте большую ложку к-ла таким же количеством крепкого зеленого чая. Добавьте по маленькой ложечке остальных компонентов. Рецепт подойдет для чувствительной и жирной кожи.

Про маски для лица с оливковым маслом->>

Лифтинг маска для лица с крахмалом

  • глина, крахмал, витамин Е и А

Глину и крахмал смешайте в равной пропорции. Разведите таким же количеством воды (если жирная кожа) или молока (если сухая). Влейте по 2 мл витаминов. Нанесите густым слоем на 10 минут.

Про маски для лица из глины->>

Отбеливающая маска для лица с крахмалом

  • крахмал, алоэ, огурец средний, лимон

Разведите стол.лож к-ла соком одного огурца с мякотью. Влейте по чай.ложке алоэ и лимонного сока. Наносим на очищенное и распаренное лицо. Получаем осветляющий, очищающий и омолаживающий эффект. Для сухой кожи рекомендуется заменить алоэ густой сметаной.

Про алоэ для лица->>

Маска для лица молоко с крахмалом

  • к-л, молоко, масло

Крахмал можно заливать теплым молоком вместо воды в равном количестве. Для возрастной и сухой вместо молока больше подойдет сметана или сливки. Для жирной – вода и эфирное масло.

Про маски от прыщей->>

Маска для лица с крахмалом и мумие

Мумие обладает заживляющими свойствами. Оно помогает снимать воспаление и запускает регенеративные процессы. Используйте не более 1 растолченной таблетки на порцию.

Увлажняющая маска для лица с крахмалом

  • льняное масло, к-л

Льняное масло содержит комплекс жирных кислот Омега-3. Именно он помогает разгладить даже глубокие морщинки. Такой состав будет настоящим спасением для возрастной и сухой дермы.

Про льняное масло для лица->>

Кстати для усиления омолаживающего эффекта масок рекомендуется
применять скрабы и пилинги минимум 1 раз в неделю. Это помогает удалить верхний ороговевший слой и ускорить обновление.

Маски из крахмала от акне: как устранить прыщи быстро и эффективно

Крахмал успешно борется с прыщами в любом возрасте и на любой коже. Простые маски, включающие крахмал от прыщей подарят здоровый и ровный тон лица. 

крахмал от прыщей крахмал от прыщей Крахмал – известное средство в домашней косметологии.

Как крахмал от прыщей помогает коже при воспалительных процессах?

Воспаления и угревые высыпания на лице возникают от того, что на коже задерживаются грязь, пыль, продукты обменных процессов клеток. Крахмал от прыщей действует так:

  • очищает и сужает поры;
  • нормализует выделение кожного жира;
  • смягчает и увлажняет;
  • лечит ранки и трещинки;
  • помогает регенерировать клетки;
  • разглаживает и выравнивает структуру;
  • оставляет на лице защитную пленку.

Происходит уменьшение на лице высыпаний, рубцов от шрамов и постакне.

ЛицоЛицо Маски из крахмала от прыщей являются простыми, эффективными и недорогими средствами первой помощи.

Как делать лечебные маски с крахмалом от прыщей

Рекомендации по применению масок такие:

  1. Готовить средства только из свежих и натуральных продуктов. Подбирать их к типу кожи.
  2. Наносить массу на очищенную и распаренную кожу.
  3. Руки перед нанесением вымыть.
  4. Наносить на лицо по массажным линиям.
  5. Не передерживать состав.
  6. Не применять горячую воду для умывания.
  7. Маски смывать лучше теплой водой, а затем ополаскивать прохладной.
  8. Процедуры лучше проводить вечером.
  9. Делать курс из 10 процедур с интервалом в 2–3 дня. Периодичность – 1 раз в квартал.
  10. Категорически запрещено выдавливать дома угри и прыщи, в особенности гнойные. Можно занести в ранку инфекцию.

Как добавлять крахмал от прыщей в маски

Крахмал из разных растений имеет разную вязкость. Поэтому его добавляют в маску небольшими частями.

Если крахмала будет мало, то смесь потечет. Если его добавить лишнего, то масса будет густой и не ляжет на кожу.

Противопоказания

Маски с крахмалом для лица не используют, если имеются:

  • непереносимость компонентов средства;
  • дерматологические болезни в остром периоде;
  • гнойные угри, фурункулы и язвы,
  • высыпания герпеса;
  • открытые раны.

В таком случае следует проконсультироваться с дерматологом и получить медикаментозное лечение.

Лучшие домашние рецепты с крахмалом от прыщей

Маски из крахмала от прыщей являются простыми, эффективными и недорогими средствами первой помощи.

Классический вариант 

Классическая маска от прыщей состоит из крахмала и молока. Такая маска подойдет любому типу кожи. Для лучшего действия и попутного решения дополнительных проблем, ее рецепт дополняют другими компонентами в зависимости от типа кожи:

  • жирной и комбинированной коже молоко лучше брать обезжиренное или заменить его кефиром, йогуртом, простоквашей;
  • сухой и чувствительной коже можно добавить в рецепт смягчающие и питающие компоненты: жирную сметану, сливки, растительное масло;
  • для свежести кожи – стоит ввести в рецепт травяные настои, фруктовые, ягодные или овощные пюре и соки.

ЛицоЛицо В маску для сухой кожи крахмал лучше использовать в порошке, для жирного типа рекомендуется заварить его по инструкции.

Сметанное средство

Маска борется с прыщами, возвращает коже упругость и эластичность.

Потребуется:

  • 1–1,5 ст. л. крахмала,
  • 50 мл воды,
  • 20 г сметаны,
  • 100 мл кипяченого отвара ромашки.

Развести крахмал теплой водой. Влить ромашковый отвар и поставить нагреваться на водяной бане. Смесь должна получиться как густой кисель. Остудить и добавить сметану. Можно в маску добавить свежий морковный сок. Держать на проблемных зонах 10 минут. После процедуры воспользоваться кремом.

Если кожа совсем сухая, то порошок взять в меньшей пропорции и получить не совсем густую массу.

Белковый мусс

Очищает, сужает поры, устраняет угри и сальный блеск. Осветляет пигментные пятна.

Смешать:

  • 1 ч. л. крахмала,
  • 1 ст. л. кефира,
  • 1 яичный белок (немного взбить).

В маску можно ввести и несколько капель лимонного сока. Держать 15 минут.

Сливочная смесь с маслами

Устраняет угревые высыпания и сухость, питает и смягчает кожу.

Перемешать:

  • 50 г порошка крахмала,
  • 100 мл молока или сливок,
  • 1 ч. л. растительного масла: оливкового или миндального, персикового.

Держать 15–20 минут. Удалять смесь нужно салфеткой, а потом тепой водой.

Читайте: 15 проверенных народных рецептов для проблемной кожи.

Масляный уход с мякотью томата

Маска устраняет прыщи, питает кожу и дает эффект ботокса. Подходит любому типу.

Ингредиенты:

  • 1 ст. л. картофельного крахмала,
  • 0,5 среднего плода томата,
  • 0,5 ст. л. масла ши или оливы.

Помидор очистить от кожуры и измельчить в пюре. Все продукты смешать. Держать на коже 15–20 минут.

ТоматТоматМякоть томата богата витаминами и микроэлементами.

Маска-скраб с морской солью для жирной кожи

Глубоко очищает кожу, тонизирует и осветляет ее. Сужает поры, уменьшает угревую сыпь.

Смешать в равных пропорциях:

Нанести на кожу. Слегка помассировать и оставить на 20–30 минут. Смыть теплой водой, ополоснуть лицо прохладной.

Читайте: Мёд для лица: сладкий и нежный уход.

С белком и маслом чайного дерева

Убирает черные точки, очищает и дезинфицирует кожу.

Ингредиенты:

  • 0,5 ст. л. крахмала,
  • 0,5 ст. л. молотых овсяных хлопьев,
  • 1 куриный белок,
  • 4 капли масла чайного дерева.

Белок взбить с крахмалом. Добавить остальные продукты. Держать 20 минут.

Крахмальный очищающий пилинг

Вечером после умывания попробуйте очищающую процедуру. Возьмите немного сухого крахмала и бережно массируйте круговыми движениями влажное лицо в течение 40 секунд. Кожа будет бархатистой и гладкой. Лицо приобретет румянец и засияет.

Лечебное умывание

Разведите чайную ложку крахмала в 1 литре воды или травяного отвара. Используйте для умывания. Крахмал создает на коже защитную пленку, которая смягчит, предохранит от пересыхания и вредного действия окружающей среды.

Читайте: Все что вы хотели узнать о масках из крахмала: рецепты и советы.

Отзывы 

«О пользе крахмала для лица мне рассказала подруга, он борется с проблемами старения, а мне удалось благодаря маскам избавиться от прыщей и угревой сыпи. Теперь и я советую этот продукт знакомым».

«Замучили прыщи. Боролся с ними многими методами. Помог только комплекс мер. Аптечные средства + крахмальная маска с маслом чайного дерева. Регулярный уход сделал свое дело – лицо стало чище. Картофельный порошок очень бережно относится к воспаленному эпидермису, мягко снимает раздражения».

 «У меня единственная проблема – это жирная кожа. Чем я только не пыталась устранить жирный лоск и расширенные поры, но ничего не помогала. Даже при помощи косметики не удалось устранить эти дефекты. Решила воспользоваться маской на основе крахмала и белка. Выполняла процедуры 3 раза в неделю в течение 3-х месяцев. Сейчас поры заметно сузились, кожа стала не так сильно блестеть, даже удалось ее подтянуть и сделать упругой».

0
0
голос

Рейтинг статьи

рецепты масок от морщин для лица с подтягивающим и омолаживающим эффектом в домашних условиях

Морщины на лице – неприятный дефект, который возникает с возрастом. Для борьбы с ним чаще всего применяют всем известную методику ботокс, но из-за дороговизны и многочисленных противопоказаний эту процедуру могут позволить далеко не все.

В таком случае на помощь приходят не менее эффективные альтернативные способы борьбы со старением. Одним из них остается маска из крахмала, которую можно приготовить и использовать в домашних условиях самостоятельно.

Маска для лица из крахмала вместо борокса. ТОП 5 рецептов от морщин

Здравствуйте, дорогие читатели. Ну какой женщине не хочется выглядеть привлекательно вне независимости от возраста? Вот и стараются девушки с юных лет предупредить увядание кожи. А зрелые женщины готовы пойти на любые жертвы, чтобы разгладить кожные покровы и вернуть им былую молодость. Да и мужчины тоже не прочь омолодиться, только у них не принято это афишировать. Многие процедуры, направленные на разглаживание морщин разной степени выраженности, достаточно чувствительны, имеют массу противопоказаний и могут вызвать различные побочные реакции. И стоят они недешево. Но, это не касается масок для лица, изготавливаемых на основе крахмала. Они практически не имеют ограничений в применении, доступны для использования в комфортной домашней обстановке, а также могут оказывать дополнительное благотворное воздействие на кожу лица за счет введения в их состав различных добавок.

Маски из крахмала подходят для любого возраста и подтипа кожных покровов. Их также смогут взять на вооружение мужчины, которые желают свои косметологические усилия сохранить в тайне.

Ботокс как средство омоложения

Маску из крахмала можно смело назвать более щадящей альтернативой ботокса – особой процедуры, подразумевающей внутримышечное введение в лицевую область специального препарата.

Это средство воздействует на нервные окончания, блокируя передачу импульсов в мимическую мускулатуру. При этом мышцы расслабляются, что и дает нужный эффект разглаживания даже крупных морщин на лице.

Эта процедура, благодаря оказываемому действию, получила в эстетической медицине название уколов молодости.

Но ботокс способен разглаживать далеко не все виды морщин. Он воздействует только на мимические, образование которых обусловлено избыточной подвижностью мышц лица. Интересен тот факт, что некоторые люди оказываются нечувствительными к воздействию препарата и ожидаемый эффект не наступает. Но выяснить это можно только после проведения (и, соответственно, оплаты) процедуры.

Следует знать, что препарат для инъекций молодости получают из особых бактерий. Они являются возбудителями ботулизма – заболевания, характеризующегося тяжелейшей интоксикацией организма.

Это средство состоит из нейротоксина и других белковых структур. Уже один этот факт вызывает у многих неприятие. Кроме того, для введения препарата используются иглы, что тоже сокращает число людей, которые готовы подвергнуться подобному вмешательству.

Имеет ботокс и ряд противопоказаний: нарушение мышечной активности, воспаление обрабатываемых участков, высокая чувствительность, беременность и период вскармливания, некоторые подвиды миопии, проблемы со свертываемостью крови, прием некоторых препаратов, пожилой возраст (за  60).

Отрицательные моменты использования уколов молодости

  1. Процедура достаточно болезненна. Хотя и используется местное анестезирование, но по окончании его действия появляются болевые ощущения.
  2. После уколов могут оставаться мелкие кровоподтеки. Возможно развитие отечности. Изредка начинает двоиться в глазах и наблюдается повышенное слезотоотделение.
  3. При нарушении технологии проведения процедуры возможна асимметрическая деформация контуров лица, повреждение эпителиального слоя и проблемы с роговицей глаз.
  4. Средство для инъекций изготавливается на основе белковых соединений. Поэтому, даже не смотря на тщательную очистку, они могут вызывать сильное реагирование организма аллергического характера.
  5. После проведения процедуры лицо становится неестественным, очень похожим на искусственную маску. Выглядит это не просто непривлекательно, а нелепо, а иногда и устрашающе.
  6. По завершении сеанса мимическая мускулатура заблокирована настолько сильно, что попытки нахмуриться или пошевелить бровями могут вызвать приступ мигрени. Но при этом первые часы после процедуры нельзя расслаблять обколотую мускулатуру.
  7. Из-за ботокса могут появиться неприятные последствия эстетического характера – опущение века или уголка рта, перекос бровей и пр. Происходит это вследствие индивидуальных особенностей расположения некоторых мышц, а также нервных сплетений. Или же специалист может слегка промахнуться мимо мышцы-мишени. На сегодняшний день существует способ исправить ситуацию, но он подразумевает дополнительное введение препаратов, которые нейтрализуют действие предыдущего.
  8. Действенность уколов сказывается не сразу. В полную силу эффект проявляется только спустя примерно 2-4 недели. При этом продолжительность действия препарата составляет в среднем всего четыре месяца. Кроме того, эти и без того скромные сроки сокращаются из-за любых воздействий, усиливающих кровоток: посещение парилки либо пляжа, массажные процедуры, жаркая погода, а также прием лекарств, например антибиотиков или сосудорасширяющих средств.
  9. Чем моложе пациент, тем чаще ему следует повторять процедуру.

Маска для лица из крахмала вместо ботокса — преимущества и польза 

Маска из крахмала не доставит столько неприятностей, как ботокс. А во многих случаях она вполне может заменить эту неприятную процедуру.

Тем более, что крахмальные маски:

— Безвредны, кроме редких случаев непереносимости данного продукта.

— Легко готовятся.

— В состав входят простые ингредиенты, что обеспечивает невысокую себестоимость этого косметологического средства.

— Не вызывают аллергии.

— Могут использоваться вне специализированного салона.

В отличие от ботокса, маски из крахмала воздействуют не на мышечные структуры и нервные узелки, а на саму кожу лица непосредственно. Вот поэтому здесь и нельзя «промахнуться» и нанести вред своему здоровью.

КрахмалКрахмал

Но по той же причине и действие этих ухаживающих процедур не такое резкое. Поэтому для получения значительного эффекта прибегать к помощи масок из крахмала следует регулярно и в течение длительного времени.

Но первые результаты, например, в окологлазничной зоне, появляются уже после третьей процедуры.

Маска из картофельного крахмала весьма действенна для борьбы с проявлениями морщинистости кожи на начальных этапах данного процесса.

Мелкие морщинки разравниваются достаточно быстро и при систематическом подходе наблюдается достаточно устойчивый результат. Кроме этого, наносимая смесь питательна, что позволяет насытить кожу и улучшить ее состояние.

Потому маски для лица из крахмала следует включать в профилактические программы, направленные на предотвращение проявления на нем следов возрастных изменений.

Состав и действие крахмала на кожу

В косметологии крахмал зарекомендовал себя как достаточно эффективное ухаживающее средство, улучшающее состояние кожи.

Он широко применяется в составе масок для профилактики появления морщин, а также борьбы с возрастными явлениями кожи лица. Благотворное воздействие, оказываемое крахмалом на кожные покровы обуславливается его составом.

  1. В-витамины. Влияют на обменные процессы, улучшая снабжение кожи необходимыми веществами. Они стимулируют синтез эластина, обеспечивающего, как и коллаген, прочность, структурирование и эластичность кожных покровов.
  2. Вит. С. Являясь мощным антиоксидантом, связывает окислители, замедляет старение кожи и организма в целом. Также он устраняет клеточные повреждения и стимулирует производство волокон коллагена.
  3. Ниацин (вит. РР, В3, никотиновая кислота). Улучшает микроциркуляцию крови в коже, выполняет функцию защиты, препятствует развитию аллергии.
  4. Кальций. Регулирует процессы внутри клеток, восстанавливает защитную функцию верхнего слоя кожи, поддерживает в тонусе кожные капилляры, препятствует потере влаги.
  5. Калий. Участвует в поддержании осмоса клеток и водного баланса.
  6. Фосфор. Задействован в синтезе белковых структур. Также он необходим для обеспечения энергетических запасов организма.
  7. Холин. Влияет на активность продуцирования кожного сала.

В каких случаях маска из крахмала эффективна

Маска на крахмальной основе подойдет каждому. Не следует наносить ее только в тех случаях, если кожные покровы повреждены (царапина, ссадина, порез, рана), присутствуют аллергические высыпания, проявления кожного заболевания или воспаление кожистых покровов.

Благодаря введению в маску различных добавок можно получить массу желательных дополнительных эффектов:

Увлажнение.

Подпитка.

Смягчение.

Снятие раздражения.

Препятствование шелушению.

Кроме того, данное средство позволяет снизить активность кожных желез, продуцирующих наружное сало, что позволяет устранять неприятный жирный отблеск на лице и помогает при проблемной коже.

Эффективно воздействует маска из крахмала и на зрелую кожу, омолаживая ее, устраняя проявления возраста, подпитывая и оздоровляя.

Она помогает сузить поры и очистить кожную поверхность. Морщинистые складки расправляются, улучшается цвет лица, повышается эластичность кожи.

Таким образом, кроме подтягивающего и разглаживающего действия, маска для лица из крахмала вместо ботокса попутно поможет в решении различных проблем:

при жирной коже – устранение жирных следов и отблесков, сужение расширенных пор;

при сухой коже – увлажнение, подпитка, успокаивающее действие и устранение шелушения, а также стягивающего ощущения;

при проблемной коже – подсушивание и избавление от прыщевых и угревых высыпаний, снятие воспаления;

при стареющей коже – повышение кожной упругости и эластичности, улучшение цвета лица, сужение пор.

Какой крахмал можно использовать

В любой из масок для устранения морщин, описанных ниже, нужен крахмал. Наиболее доступным является картофельный. Но можно использовать и любой другой, например, кукурузный.

Если же под рукой не оказалось вообще никакого крахмала, но в доме найдется несколько картофелин, то можно попробовать добыть его самостоятельно. Это несложно.

Нужно только учитывать, что из одного килограмма сырья получится примерно 2 ст. л. сухого крахмального продукта.

Действовать следует так:

  1. Очищенные и промытые клубни сильно измельчают. Их можно натереть на мелкой терке либо прокрутить в мясорубке.
  2. В полученную кашицу добавляют немного воды и оставляют на некоторое время.
  3. Далее понадобится сито, чтобы процедить массу. Остаток следует максимально отжать.
  4. Полученную жижу оставляют минут на 10, чтобы крахмал осел, а мякоть выбрасывают.
  5. После жидкость аккуратно сливают, не взбалтывая. Полученный крахмал несколько раз промывают. Теперь его уже можно использовать для приготовления маски.

Сырой крахмал можно высушить и оставить для продолжительного хранения. Для этого его следует разложить тонким слоем на кухонном полотенце и оставить до полного испарения влаги.

После останется разбить комки и растереть крахмал до состояния порошка. Можно сделать это в ступке, кофемолке или при помощи скалки. Сохранять крахмал собственного приготовления следует так же, как и покупной – в сухой емкости с крышкой.

Маска для лица из крахмала от морщи — рецепты 

Перед нанесением какой-либо маски следует вымыть лицо от остатков косметики или крема. Состав нужно готовить непосредственно перед применением.

В большинстве случаев его хранить нельзя. Маску накладывают тонким слоем и удаляют через 15-30 мин. Если подсыхающая смесь сильно стягивает лицо, рекомендуется сверху наложить еще один масочный слой.

При возникновении дискомфорта, жжения и прочих неприятных ощущений маска смывается досрочно. Если в состав маски входили маслянистые, жирные вещества, для умывания используется теплая вода.

Маска из крахмалаМаска из крахмала

В остальных случаях смывают подсохший слой водой комфортно прохладной температуры. Как всегда, после этого кожу лица обрабатывают кремом. Частота проведения процедуры – 2-4 раза за неделю.

Основная маска из крахмала

Для приготовления основной маски понадобятся всего два ингредиента – крахмал и вода. Сначала нужно вскипятить стакан воды. После этого огонь под емкостью убавляют до минимума.

Далее берут половину стакана прохладной воды и всыпают туда большую ложку (с горой) крахмального порошка.

Крахмал в воде не растворяется, поэтому смесь старательно взбалтывают до получения однородной взвеси.

Полученную жидкость, помешивая, вливают в стоящую на плите горячую воду. Смесь не должна вскипеть. На огне ее держат, пока она не загустеет.

Получится крахмальный клейстер. Его можно использовать как самостоятельную маску для подтягивания кожи и борьбы с возрастными кожными складками, а также брать в качестве основы для приготовления масок всевозможной направленности.

Нельзя использовать смесь в горячем виде! Следует обязательно дождаться ее остывания. Маска должна быть теплой либо комнатной температуры. Нужно также иметь в виду, что полученный исходный клейстер можно хранить в условиях охлаждения не более трех суток.

При введении в такую маску добавок, особенно если это скоропортящиеся компоненты, оставлять ее на потом не рекомендуется.

Если клейстер получился жидковатым, то его не следует выливать. Он вполне применим в качестве ванночки для рук. Здесь кожа также подвержена процессам состаривания и тоже нуждается в помощи и омоложении.

Маска из крахмала с добавлением морковного сока

Готовится эта маска очень просто. Достаточно в клейстерную основу добавить столовую ложку хорошей домашней сметаны и несколько ложек морковного сока собственного приготовления.

Время действия данного состава – до получаса.

Благодаря наличию сметаны кожа получит питание, а морковный сок окажет ощутимое тонизирующее воздействие.

Полезно делать эту маску через день на протяжении 3-4 недель. После такого курса результат невозможно будет не заметить

Маска для сухой кожи

Как известно, на иссушенной коже возрастные изменения проявляются намного заметнее. Поэтому маска из крахмала здесь будет более чем уместна.

В небольшое количество теплого клейстера вводят желток и столовую ложку любого растительного масла. После вымешивания массу накладывают на кожу и расслабляются минут на 20.

Крахмальная маска для жирного типа кожи

Данное средство поможет снизить активность сальных желез и устранить избыточный блеск кожи лица, а также очистить эпителий от омертвевших частиц. Наличие в ее составе соли позволит использовать маску в качестве скраба.

К слегка теплой основной маске из крахмала прибавляют пару ложек цельного молока и маленькую ложку измельченной морской соли.

Солевой порошок можно получить при помощи кофемолки либо ручной ступки. Измельчают его тщательно, чтобы во время обработки лица не повредить поверхность кожи.

Ингредиенты хорошо вымешивают. Маску наносят на лицо, как скраб, легкими массирующими движениями, затем оставляют на 20-30 мин.

Смывают средство теплой водой, а затем обязательно ополаскивают прохладной. Для жирной кожи полезно обработать лицо тоником, сужающим поры. Например, на основе лимонного сока.

Маска для проблемной кожи

Обладателям проблемной кожи постоянно приходится бороться с воспалениями и высыпаниями. Отличным подспорьем в этом деле станет маска из крахмала с добавлением масла чайного дерева.

Это проверенное средство эффективно снимает воспаление и оказывает антисептическое действие.

1 яичный белок нужно активно взбивать до получения пенистой массы. Сюда прибавляют пару капель указанного масла и вводят крахмальную основу.

Маску наносят только на пораженные участки. Время лечебного воздействия – 25 мин.

Для увядающей кожи в состав рекомендуется вводить помидорную кашицу либо банановое пюре и оливковое масло. А влагой напитает перетертое яблоко или клубничная масса.

Выраженное противовоспалительное действие оказывает мед, кефир и некоторые эфирные масла. Так что в зависимости от нужного эффекта надо вводить эти добавки в крахмальную основу. Результаты не заставят себя долго ждать.

Лучшие рецепты масок для лица из крахмала с фото и видео

Рейтинг: Нет рейтинга

Маска для лица из крахмала – рецепты, отзывы и фото

Вы будете очень удивлены, но маску для лица из обычного картофельного крахмала можно применять в домашних условиях вместо ботокса. Не торопитесь записываться в салон на дорогостоящую процедуру по омоложению – маски для лица из крахмала не менее эффективны. Предлагаем вместе разобраться, почему маски для лица с крахмалом имеют такой невероятный эффект, и узнать, как сделать и применять такую маску самостоятельно.

Для чего применяется такая маска и как она действует

маска с крахмалом для чего применяетсяВ основном, маски для лица на основе крахмала направлены на предупреждение старения кожи и устранение морщин, но благодаря богатому витаминному составу благотворно влияют и на молодую кожу любого типа. В составе крахмала присутствуют такие вещества:

  • Витамины группы В, С, PP и E. Питают, увлажняют и способствуют регенерации кожи.
  • Холин. Нормализует обменный и жировой баланс кожи.
  • Ниацин. Активизирует работу кожных клеток.
  • Калий. Увлажняет кожу.
  • Железо. Обогащает клетки эпидермы кислородом.
  • Углеводы. Питают и наполняют кожу полезными веществами.
  • Фолиевая кислота. Стимулирует выработку коллагена и оказывает защитное действие от воздействия внешних факторов.

Применять маски из картофельного крахмала рекомендуют тем, у кого:

  • маска из крахмала кому подходитпроблемная, чувствительная кожа, склонная к раздражениям;
  • кожа жирного типа с расширенными порами и повышенным жироотделением;
  • сухая и обезвоженная кожа;
  • усталая кожа с признаками авитаминоза;
  • кожа с первыми признаками увядания;
  • увядающая кожа с глубокими мимическими морщинами.

Правила приготовления и нанесения

  • Маски из крахмала наносят на очищенную от косметики и грязи кожу.
  • Перед применением маски рекомендуют немного подержать лицо над паром для раскрытия кожных пор.
  • Маски из крахмала не имеют противопоказаний, и их можно применять постоянно, но через день, чтобы кожа отдыхала.
    маска из крахмала как сделать
  • Состав крахмальных масок готовят непосредственно перед применением и не хранят.
  • Маски наносят на кожу руками или специальной косметической кистью.
    маска из крахмала чем наносить
  • Одновременно с лицом можно наносить маску на зону декольте и шею.
  • В комплексе с массажем и контрастными умываниями увеличивается омолаживающий эффект.

Классический рецепт маски для лица из крахмала

Для приготовления классического рецепта маски из крахмала вам понадобится только сам крахмал и теплое молоко. Смешайте эти компоненты в равных пропорциях до однородности и покройте лицо несколькими слоями. По истечение 15 минут умойтесь теплой водой и увлажните кожу кремом. Такая маска хорошо успокоит склонную к чувствительности кожу, смягчит и сделает ее гладкой.
как приготовить крахмал для маски для лица

Другие рецепты масок для лица из крахмала

В этом разделе вы можете найти рецепт маски с крахмалом, учитывая тип своей кожи, и попробовать применить ее самостоятельно.

Маска для лица из крахмала и кефира

маска для лица из крахмала и кефираКомпоненты:

  • крахмал – 1 стол. ложка;
  • кефир – 1 стол. ложка;
  • белок – 1 шт.

Соединить и хорошо перемешать все ингредиенты. Маску следует накладывать в несколько слоев.

Действие: тонус, упругость, лифтинг.

Маска для лица из крахмала и молока

маска для лица из крахмала и молокаКомпоненты:

  • крахмал – 1 чайн. ложка;
  • молоко – 1 чайн. ложка;
  • миндальное масло – 1 чайн. ложка.

Соединить и хорошо перемешать все ингредиенты. Маску следует накладывать в несколько слоев.

Действие: увлажнение, питание, отсутствие раздражений и покраснений.

Маска для лица из крахмала и меда

маски для лица в домашних условиях из крахмалаКомпоненты:

  • крахмал – 1 стол. ложка;
  • мед – 1 чайн. ложка;
  • морская соль – 1 чайн. ложка;
  • молоко (теплое) – 2 стол. ложки.

Соединить и хорошо перемешать все ингредиенты.

Действие: очищение пор, эластичность.

Маска для лица из крахмала и желатина

маска для лица на основе крахмалаКомпоненты:

  • крахмал – 1 чайн. ложка;
  • желатин – 2 чайн. ложка;
  • масло виноградных косточек – 15 капелек;
  • белок – 1 шт.

Залить желатин горячей водой в пропорции 1 к 2 и дать ему набухнуть и остыть. Белок взбить с крахмалом и маслом. Соединить все компоненты и размешать до однородности.

Действие: очищение и сужение пор, убирает воспаления, смягчает, питает, омолаживает.

Маска для лица из крахмала и куркумы

крахмал маска для лица невероятный эффектКомпоненты:

  • крахмал – 1 стол. ложка;
  • куркума – ½ чайн. ложки;
  • йогурт (без добавок) – 1 стол. ложка;
  • жидкий мед – 1 чайн. ложка.

Соединить все компоненты и размешать до однородности.

Действие: питание, регенерация, омолаживание.

Маска для лица из крахмала и лимонного сока

маска для лица из крахмала рецептКомпоненты:

  • крахмал – 1 стол. ложка;
  • лимонный сок – ½ чайн. ложки.

Соединить все компоненты и размешать до однородности.

Действие: отбеливание.

Маска для лица из крахмала и яичного белка

маска для лица из картофельного крахмалаКомпоненты:

  • крахмал – 1 стол. ложка;
  • белок – 1 шт.;
  • масло чайного дерева – 3 капельки.

Взбить белок и соединить все компоненты, размешивая до однородности.

Действие: отбеливание.

Маска для лица с кукурузным крахмалом

маски для лица с кукурузным крахмалом Компоненты:

  • кукурузный крахмал – 1 стол. ложка;
  • желток – 1 шт.;
  • помидор – ½ шт.;
  • масло оливы – 1 стол. ложка.

Измельчить помидор с помощью блендера до пюреобразной кашицы и соединить с остальными компонентами.

Действие: отбеливание.

Меры предосторожности

Применяя крахмальные маски, не стоит опасаться каких-либо побочных эффектов, но все же рекомендуем отказаться от их использования, если:

  • маска для лица из картофельного крахмалана коже есть открытые гнойничковые раны или повреждения;
  • кожа имеет заболевания аллергического характера.

Маски с содержанием крахмала могут содержать дополнительные компоненты, которые вызывают аллергию, поэтому не ленитесь сделать проверку реакции кожи.

Отзывы о применении масок для лица из крахмала

Для подтверждения омолаживающего эффекта масок для лица с крахмалом мы провели небольшой эксперимент. Три очаровательные женщины применяли одну из предложенных масок в течение месяца и предоставили нам для сравнения свои фото «до» и «после».

Оксана, 43 года

У меня очень глубокие носогубные морщины, несмотря на то, что остальная кожа в нормальном состоянии. Для уменьшения этих глубоких складок на лице, которые очень добавляют мне лет, я применяла маску из крахмала и кефира. Делать маску было очень просто, а время применения всего лишь 20 минут. Для того, чтобы быть красивой, это не такие уж большие жертвы, тем более, что результат есть. Могу отметить, что морщины уменьшились примерно в два раза. Буду обязательно продолжать курс этих масок.
маска для лица из крахмала вместо ботокса

Комментарий эксперта: Прекрасный результат, и вы можете продолжать делать эту маску регулярно, потому что крахмал не имеет никаких побочных действий. Но также можете попробовать другие не менее эффективные маски против морщин.

Жанна, 50 лет

Для своей чувствительной и склонной к покраснениям и воспалениям кожи я выбрала маску с крахмалом и желатином. Приходилось немного повозиться с приготовлением желатинового раствора, но в целом маска простая и дешевая. Признаюсь, что результат меня удивил. Все покраснения ушли, кожа стала светлой и чистой, а поры заметно сузились.
маска из крахмала для лица отзывы

Комментарий эксперта: Маски для лица, в которых присутствует желатин, лучше применять курсами и делать большие перерывы, чтобы не нарушить природный баланс кожи. А пока ваша кожа отдыхает от желатина побалуйте ее масками на основе голубой глины.

Мария, 61 год

Я очень люблю куркуму, и она всегда есть в моем доме. Интересно было попробовать применить ее для кожи лица, а не только добавлять в блюда. Через месяц эксперимента я обнаружила удивительные перемены в состоянии моей кожи: глубокие морщины стали намного меньше, возрастная пигментации посветлела примерно в два раза, и кожа стала мягкой и увлажненной.
банан с крахмалом маска для лица отзывы

Видео о том, как сделать маску для лица из крахмала в домашних условиях

Небольшое видео о пользе крахмала с рецептом маски для лица наглядно продемонстрирует все этапы приготовления и нанесения состава на основе крахмала.

Маски для лица с картофельным крахмалом имеют невероятный эффект и, пожалуй, являются лучшим на сегодняшний день натуральным средством для омоложения кожи лица. Уделите себе 20 минут для применения маски из крахмала, и ваше лицо будет предметом зависти ваших подруг! Ждем ваших комментариев.

Маска для лица с крахмалом от морщин вместо ботокса: рецепты, отзывы

Чем старше становятся дамы, тем чаще их посещают мысли о том, как можно сохранить свою привлекательность. Многие не боятся прибегать к самым радикальным методам, делая дорогие и не самые безопасные процедуры. Не все догадываются, что есть способ проще и намного безопаснее — маска для лица с крахмалом от морщин. Женщины регулярно пользуются этим порошком для готовки, но немногим известно, что этот простой продукт может сохранить молодость и красоту кожи лица.

Помогают ли маски для лица с крахмалом от морщин

То самое вещество, без которого невозможно соорудить кулинарный шедевр, выделяется из обыкновенного картофеля. Крахмал не обладает богатым набором полезных витаминов, но это не мешает ему эффективно бороться с морщинами. Он по праву считается одним из результативных среди народных рецептов. В нем содержится много пищевых волокон и полезные микроэлементы – кальций, калий, фосфор. Если регулярно наносить крахмальную маску для лица от морщин, то кожа будет выглядеть намного моложе. Помимо разглаживания морщин, крахмал оказывает на кожу следующее воздействие:

  • питает, тонизирует и увлажняет;
  • восстанавливает клеточную структуру;
  • снижает чрезмерную выработку кожного секрета, благодаря чему снижается число прыщей.

Крахмал поможет смягчить эпидермис, выровнять тон кожного покрова. Он отлично подходит женщинам с любым типом кожи. Стянутая кожа будет выглядеть более сияющей, перестанет шелушиться, жирная же перестанет блестеть.

Полезные свойства крахмала против морщин

С помощью масок из крахмала можно убрать глубокие морщины, эффект процедур косметологи сравнивают с инъекциями ботокса. Они повышают тонус дермы, делая ее более упругой. Полезные микроэлементы оказывают следующее воздействие:

  • ниацин стимулирует клеточный метаболизм;
  • холин нормализует выработку кожного секрета;
  • витамин С защищает от внешнего неблагоприятного воздействия;
  • железо улучшает клеточное дыхание;
  • калий устраняет отечность.

Витамины группы В, А предотвращают преждевременное увядание кожи, устраняют воспалительные процессы. Маску от морщин с крахмалом можно наносить даже на чувствительную кожу век.

Какой крахмал лучше выбрать для масок

Подойдет и крахмал из картофельных клубней, и из кукурузы. Первым рекомендовано пользоваться женщинам поле сорока, девушкам моложе стоит делать маски из кукурузного крахмала.

Маски с картофельным крахмалом от морщин

Маски из этого вещества являются универсальным средством, ими можно пользоваться женщинам разных возрастов. Из-за действия микроэлементов сухой эпидермис насыщается, благодаря чему кожа выглядит увлажненной. Косметологи уверяют, что крахмал хорошо сказывается на функционировании кожных желез, нормализуя количество вырабатываемого секрета, поэтому исчезает жирный блеск. Хорошо заметно воздействие крахмала на увядающий эпидермис. При регулярном использовании масок можно вернуть дерме упругость, сделать ее подтянутой и матовой. Он помогает убрать мимические морщины и выровнять тон кожи.

Маски из кукурузного крахмала от морщин

Крахмал из кукурузы обладает схожим воздействием на проблемный эпидермис. Молодым девушкам лучше пользоваться кукурузным крахмалом. Чтобы убрать намечающиеся морщины, можно сделать простую маску: смешать одну ложку крахмала с двумя ложками молока или сметаны. С помощью этого простого рецепта можно выровнять тон лица, убрать угри и черные точки. Не будет лишним дополнить этот рецепт разнообразными натуральными компонентами. Например, летом можно использовать для приготовления масок свежие ягоды (чернику, землянику).

Достаточно выделить полчаса свободного времени, чтобы кожа лица преобразилась в лучшую сторону. Смеси из крахмала обогатят эпидермис полезными микроэлементами, благодаря чему лицо будет выглядеть свежее и здоровее.

Совет! Можно сделать на основе крахмала натуральный скраб. Для этого необходимо измельчить в блендере хлопья геркулеса, добавить немного свежего молока и ложку крахмала.

Это средство отлично очищает ороговевший слой клеток. Можно воспользоваться обычным сухим крахмалом без каких-либо дополнительных ингредиентов. Необходимо массировать кожу в течение одной минуты, чтобы получить гладкое и сияющее лицо.

Как убрать морщины крахмалом

Инъекции ботокса давно применяются в косметологии – это настоящее спасение для женщин, которые хотят избавиться от глубоких морщин на лице. Они разглаживают даже самые глубокие складки, кожа выглядит значительно моложе. Однако, как и практически все сильные препараты, у ботокса есть множество противопоказаний, его применение может вызвать банальную крапивницу, которая пройдет через несколько суток либо сильнейшие отеки, от которых можно избавиться не раньше чем через несколько месяцев. К сожалению, стопроцентной гарантии того, что это средство не вызовет никаких побочных явлений, нет.

К счастью, маски из крахмала оказывают мощный лифтинг эффект, он позволяет избавиться даже от глубоких морщин, их часто сравнивают с ботоксом. Разумеется, необходимо понимать, что немедленного результата не будет. Многие предпочитают делать маски из крахмала, ведь они не имеют противопоказаний, делать их просто. В отличие от уколов ботокса они абсолютно безболезненны, к тому же стоит он копейки, можно его купить в каждом магазине.

Рецепты крахмальных масок для лица от морщин

Крахмальная маска для лица быстро помогает избавиться от морщин в домашних условиях. Но рассчитывать на отличный результат можно только в случае, если наносить их постоянно, не меньше 3 раз в неделю. Они подойдут любому типу кожи, делать их просто, а все компоненты недорогие и доступные.

Маска от морщин с крахмалом и рыбьим жиром

Эта подойдет дамам в возрасте, которые хотят подтянуть кожу на лице, убрать мимические морщины. Она осветляет веснушки и пигментные пятна, не оставит и следа от черных точек и пятен от угрей, сузит поры.

Как делать:

  1. Сначала нужно смешать ложку крахмала с тремя большими ложками воды, помешивать, пока он полностью не растворится.
  2. Соединить массу с взбитым желтком, добавить несколько капель сока лимона и 2 капсулы рыбьего жира.
  3. Тщательно перемешать.

Распределить маску на лицо и подождать 20 минут. Смыть тоником, втереть в лицо питательную сыворотку.

Рыбий жир обладает противовоспалительным действием, он поможет предупредить появление угревых высыпаний. В нем содержится множество витаминов А и Е, которые отлично питают и увлажняют эпидермис.

Желток питает кожу, смеси с ним можно наносить руки и грудь.

Сок лимона отлично обеззараживает кожу, он убивает патогенные микроорганизмы, которые провоцируют появление акне. Он осветляет кожу, а также удаляет ороговевший слой клеток.

Маска от морщин с крахмалом и яйцом

Подходит женщинам с проблемной кожей, помимо того что эта смесь разглаживает морщины, она результативно борется с прыщами.

Как делать:

  1. Желток необходимо взбить.
  2. Добавить 2 большие ложки крахмала, перемешать.
  3. Добавить в маску 5 капель эфирного масла чайного дерева.

Маску наносят на лицо и оставляют на 20 минут. Умыться настоем ромашки.

Эфирное масло стабилизирует избыточную секрецию кожных желез, препятствует закупорке кожных протоков, что снижает количество прыщей.

Желток содержит массу микроэлементов, которые необходимы для сохранения здоровых кожных покровов. Например, фосфор, кальций, железо и селен. Помимо этого, высокое содержание витаминов А помогает коже удерживать влагу, В5 улучшает кровообращение, без чего невозможно получить ровный, сияющий тон лица, витамин В12 активизирует клеточный метаболизм, благодаря ему дерма становится гладкой и эластичной.

Маска из крахмала и меда от морщин

Это один из самых результативных рецептов масок из крахмала для лица от морщин. Она поможет предотвратить преждевременное старение, разглаживает уже имеющиеся морщины, отлично питает кожу и насыщает ее витаминами. Рекомендовано наносить ее во время весеннего авитаминоза, когда особенно не хватает полезных микроэлементов.

Как делать:

  1. 3 ст. л. сливок необходимо смешать с ложкой желатина и поместить на 2 часа в холодильник, подождать пока желатин набухнет.
  2. Подогреть на медленном огне массу на водяной бане в течение 20 минут. Постоянно помешивать, снять с огня, когда маска станет однородной консистенции.
  3. Подождать, а когда маска остынет, добавить ложку глицерина и липового меда.

Смесь распределить на лицо и оставить на 25 минут. Удалить массу ватным диском, умыться тоником. Протереть кожу кубиком льда, чтобы вернуть ей утраченный тонус.

Совет! Если остались излишки во время приготовления маски, можно поместить их в холодильник и воспользоваться ими позже.

С оливковым маслом и молоком

Оливковое масло успокаивает сухой и стянутый эпидермис, убирает покраснения и шелушения. Согласно многочисленным отзывам, это одна из самых простых в применении крахмальных масок для лица от морщин.

  1. Соединить ложку крахмала с таким же количеством молока и оливкового масла.
  2. Массу хорошо перемешать.

Нанести на проблемные зоны и подождать 25 минут. Смыть тоником.

Со сметаной и морковным соком

Отличная антивозрастная маска. Морковный сок содержит много витаминов А и Е, которые помогут сохранить подтянутую и упругую дерму.

Как делать:

  1. Добавить в столовую ложку крахмала половину стакана воды, поставить на огонь. Подождать, пока смесь не загустеет, ее нужно постоянно помешивать.
  2. Дождаться, когда масса остынет, добавить 2 ст. л. сметаны и такое же количество морковного сока.

Распределить на лицо и подождать 15 минут. Смыть тоником, втереть крем.

Внимание! Можно использовать только натуральный сок! Пакетированные, с добавлением консервантов и красителей не подходят!

С помидорами и желтком

Помидор является сильнейшим антиоксидантом. Он способен проникнуть в глубокие слои дермы, где нейтрализует негативное воздействие солей тяжелых металлов и токсинов. Рекомендуется пользоваться девушкам, которые хотят осветлить веснушки и выровнять тон кожи.

  1. Снять кожицу с помидора, размять его вилкой.
  2. Добавить 1 куриный желток, взбитый до состояния пены, добавить 1 ложку крахмала.
  3. Тщательно размешать.

Распределить на лицо и оставить на 25 минут. Умыться отваром череды, нанести на лицо питательный крем.

С бананом и сливками

Банан богат витамином С, который позволяет предупредить преждевременное увядание эпидермиса, борется с глубокими морщинами. Витамины группы В успокаивают раздраженную кожу, предотвращают появление стянутости и шелушения.

Как делать:

  1. 1 ч. л. крахмала смешивают с 3 большими ложками жирных сливок и мякотью половины банана.
  2. Все компоненты перемешивают.

Маску нанести на лицо и подождать полчаса. Смыть теплой водой, постепенно понижая температуру, чтобы придать тонус дерме. Втереть увлажняющий крем.

С лимонным соком

Кислоты, содержащиеся в лимоне, обладают выраженным обеззараживающим действием. Они убивают патогенные микроорганизмы, которые провоцируют появление прыщей. Кроме этого, данный цитрус богат витамином С. Маски из крахмала с лимоном от морщин можно использовать вместо ботокса, они замедляют старение клеток, омолаживают дерму и делают ее более подтянутой.

Как делать:

  1. Одну ложку крахмала необходимо смешать с таким же количеством воды, добавить несколько капель сока лимона.
  2. Соединить смесь с взбитым яичным белком.
  3. Тщательно перемешать.

Распределить маску на лицо и оставить на полчаса. Стереть смесь ватным диском, остатки смыть тоником и втереть питательный крем.

С желатином

Маска из крахмала и желатина уберет даже самые глубокие морщины вокруг глаз. Она давно завоевала свое расположение среди женщин, стремящихся стать моложе и привлекательнее. Одним из немаловажных ее преимуществ можно отметить недорогие и доступные компоненты. С ее помощью можно подтянуть дерму и вернуть ей утраченный тонус.

Как делать:

  1. Замочить желатин в 3 ст. л. жирных сливок и поместить массу в холодильник, подождать несколько часов.
  2. Подогреть сливочно-желатиновую массу на водяной бане, непрерывно помешивать. Когда смесь загустеет, снять с огня.
  3. Добавить чайную ложку цветочного меда и оливковое масло.

Дождаться остывания маски, распределить ее на лицо и подождать полчаса. Стереть ватным диском и смыть тоником. Втереть увлажняющий крем.

Эта маска поможет значительно улучшить внешний вид кожи уже после пятого нанесения. Пользоваться ею можно не больше 7 раз в месяц.

С медом

Подойдет для проблемного эпидермиса, поможет снизить количество гнойных прыщей, убирает жирный блеск и черные точки. Эффективно разглаживает мелкие морщины, делает кожу более упругой, сужает поры.

  1. Чайную ложку крахмала необходимо смешать со столовой ложкой молока и таким же количеством липового меда.
  2. Все компоненты перемешать.

Распределить на лицо и подождать полчаса. Смыть тоником, лицо протереть кубиком льда.

С содой

Подойдет для чувствительной и проблемной кожи. Сода отшелушивает омертвевший слой дермы, мертвые клетки не смогут закрыть кожные протоки, в итоге снижается количество прыщей.

Приготовление маски для кожи:

  1. В крахмал необходимо добавить 2 большие ложки тоника, чайную ложку минеральной воды.
  2. Тщательно перемешать, добавить щепотку пищевой соды и соли.

Нанести на лицо и оставить на полчаса. Смыть теплой водой, постепенно понижая температуру.

Меры предосторожности

Чтобы не допустить появления нежелательных последствий после применения крахмала, стоит учесть следующие советы:

  • для каждой новой процедуры рекомендуется готовить новые составы, так как натуральные компоненты подвержены быстрой порче, поэтому старые маски могут дать противоположный эффект;
  • необходимо покупать только свежие и натуральные компоненты, важно обращать особое внимание на срок годности кисломолочной продукции.

Важно! Людям с чувствительным эпидермисом стоит проверять каждый новый состав на наличие аллергии.

Для этого необходимо нанести немного смеси на кисть, подождать полчаса и смыть. В течение дня нужно наблюдать за реакцией об

Маска из крахмала для лица

Использование маски из крахмала для кожи

О высоких питательно-септических свойствах крахмала известно давно, но только в последние годы маски для лица из крахмала, благодаря их быстрой эффективности и доступности, стали очень популярными. Все новые и новые представительницы прекрасного пола открывают для себя самый обычный крахмал из картофеля. Он показывает отличный результат в борьбе со своей теряющей свежесть кожей и морщинами — следами прошлых лет.

Некоторые респонденты готовы согласиться с тем, что использование маски из крахмала для кожи отождествляется с новомодными на сегодняшний день инъекциями ботокса. Подобные параллели, конечно, являются преувеличением, но в высказывании есть рациональная зернистость. Маски и скрабы с использованием крахмала делают кожу более шелковистой и эластичной, мелкие морщинки разглаживаются, кожа становится упругой и молодой. Многие косметические средства ведущих мировых брендов порой не могут похвастаться таким результатом, который обеспечивает недорогой пищевой продукт.

Крахмал — одно из немногих домашних средств, которые можно использовать для повышения устойчивости эпидермиса к любому типу кожи. Такая эффективность возможна благодаря составу. В крахмале содержится:

  • Витамин С — один из основных компонентов молодой кожи, сильнейший антиоксидант и иммуностимулятор.
  • Витамины группы В — их достаточное количество провоцирует повышенную выработку эластана, который участвует в регенерации молодых клеток эпителия.
  • Витамин PP — дефицит этого витамина в организме человека может вызывать различные заболевания дерматологического характера, которые не добавляют нашему лицу красоты и молодости.
  • Кальций:
    • Обладает противовоспалительными свойствами.
    • Укрепляет клетки скелета.
    • Регулирует сокращение мышц и секрецию гормонов.
    • Регулирует процессы свертывания крови и гидрообмена.
    • Участвует в обмене веществ.
    • Снижает проницаемость стенок сосудов.
  • Калий — способствует нормальному обмену веществ в организме.
  • Фосфор — способствует нормальному протеканию энергетических процессов в клетках.
  • Утюг:
    • Повышает иммунные силы организма.
    • Содействие синтезу гормонов щитовидной железы.
    • Активирует кроветворение.
    • Защищает от «агрессии» патогенной флоры.
    • Удаляет токсины и соли тяжелых металлов.
  • Углеводы — это продукт, который также необходим для нормального питания эпидермиса, наряду с жирами и белками.

Преимущество скрабов и масок на основе обычного картофельного крахмала в том, что результат процедуры виден уже после первого использования. При прикосновении кожа становится нежной и приятной. Достаточно небольшого хода, чтобы исчезли мелкие мимические складки, и оттенок стал ровным и здоровым, пигментные пятна остались.

Какого результата можно ожидать при регулярном использовании маски из крахмала для лица с разными типами эпидермиса?

Чувствительный тип кожи (для этого типа кожи сложно найти подходящее косметическое средство, крахмал как раз от них):

  • Происходит снятие раздражающих симптомов.
  • Соблюдаются питание и поддержание водно-солевого баланса эпидермиса, в том числе его глубоких слоев.

Поры расширены, кожа жирная, проблемная:

  • Исчезает нездоровый блеск.
  • Поры санируются и сужаются.
  • Снижается активность воспалительных процессов — кожа «успокаивается».

Сухой тип кожи:

  • Пропадает ощущение стянутости.
  • Крахмал обладает отшелушивающим действием, удаляя омертвевшие фрагменты кожи.
  • Эпидермис пропитан влагой.
  • Дополнительное питание кожи, проникающих и глубоких слоев эпидермиса.

Увядание кожи — в основном для этого типа активного использования косметических средств на основе обычного картофельного крахмала.

  • Эффективный лифтинг кожи.
  • Элементы омоложения.
  • Разглаживание мелких мимических морщин.
  • Возрастная кожа становится более эластичной, эластичной, оттенок теряет тусклость и приобретает ровный здоровый оттенок.

Рецепты масок из крахмала для лица

Перед тем, как приступить к любой косметической процедуре, стоит ознакомиться с теми простыми правилами, выполнение которых неизменно повысит эффективность процедуры.

  • Необходимо тщательно очистить участок, на который будет наноситься косметическое средство.
  • Средство наносится на слегка увлажненную поверхность.
  • Маска держится на лице 15 минут, после чего снимается с помощью теплой воды (если маска составлена ​​на масляной основе) и остужается (если масло не входит в комплект).
  • Один курс обычно состоит из 10-14 масок.
  • Не увлекайтесь, двух-трех процедур хватит на неделю.

На самом деле ограничений на количество используемых процедур нет. Это всего лишь рекомендация, ведь именно процедуры позволяют добиться максимально ожидаемого результата. Радует, что у крахмала нет противопоказаний к употреблению. Аллергических реакций на этот продукт не отмечено. Единственное ограничение использования любой маски — наличие на лице эпителиальных повреждений (ран, порезов, язв).

А теперь рассмотрим более подробно рецепты масок из крахмала для лица. Они настолько разнообразны, что любая женщина здесь найдет себе абсолютно подходящую.

Для начала нужно получить основу, на основе которой готовятся все маски. Рецепт прост. Достаточно одну — две столовые ложки картофельного крахмала развести небольшим количеством молока или простой чистой воды. Должна быть консистенция сметаны. Даже этого достаточно, чтобы получить положительный результат при использовании состава в виде маски, но всевозможные вспомогательные добавки придадут основе еще больше полезных характеристик.

  • Маска питательная и увлажняющая зарекомендовала себя очень хорошо: взять по чайной ложке крахмала, жидкого меда, йогурта (желательно, если это продукт без добавок и красителей) и на кончике ножа из куркумы. 15 минут достаточно, чтобы активировать регенерацию кожи на клеточном уровне.
  • Слегка дряблую и обвисшую кожу можно подтянуть, смешав одну столовую ложку крахмала и такое же количество кефира, чтобы ввести в белковую смесь одно яйцо. Время выдержки классическое.Смываем с поверхности лица прохладной водой.
  • Если есть проблемы с ровным тоном лица, то помочь с этой проблемой поможет такой состав: одна часть свежевыжатого лимонного сока смешивается с двумя частями крахмала. Из-за наличия лимонного сока маску держите на поверхности лица не более десяти минут. Смойте холодной водой, затем, чтобы уменьшить раздражение, нанесите небольшой слой успокаивающего крема.
  • Чтобы получить антивозрастной эффект, попробуйте смешать одинаковую часть какао-порошка и крахмала и добавить в смесь несколько капель масла шиповника.Такой состав приятен на коже и его хватит на 20 минут, чтобы получить видимый результат.
  • Хороший результат очищения можно получить и после курса «лечения» такой скраб-маской: две части пищевой соды и крахмала и одна часть кофейной гущи — все ингредиенты смешаны. Если кожа жирная, то для маски этого будет достаточно, если кожа сухая, то нужно ввести оливковое масло. Полученное косметическое средство наносят на слегка увлажненную поверхность, слегка массируя в течение одной минуты.Достаточно десяти минут. Смойте теплой водой.
  • Если эпидермис излишне жирный, наблюдаются чрезмерно расширенные поры, в этом случае необходимо предварительно получить пасту, растворив пару ложек крахмала в высокотемпературной воде. В полученное вязкое вещество введите половину столовой ложки овсянки и немного предварительно взбитого белка. Все ингредиенты хорошо перемешать и на четверть часа нанести на кожу лица, затем смыть.
  • Для насыщения сухой кожи лица полезными веществами необходимо хорошо перемешать желток одного яйца, столовую ложку крахмала и половину дозировки крахмала оливкового масла.Достаточно четверти часа, чтобы получить незабываемый эффект.
  • Для смягчения и насыщения питательной кожи лица идеально подходит этот состав: в равных пропорциях смешать молоко, крахмал и масло (растительное и сливочное, также работает с любым другим ароматным натуральным маслом). Достаточно нанести смесь на четверть часа, затем смыть водой.
  • Если необходимо убрать или уменьшить интенсивность пигментных пятен или веснушек, стоит воспользоваться такой маской: в равных частях смешайте крахмал и пятипроцентный раствор перекиси водорода.Держите на лице 20 минут, затем смойте сначала теплой водой с несколькими каплями лимонного сока, затем смойте более тщательно.
  • Если человек наделен чувствительной кожей, и умыться с мылом проблематично. В такой ситуации на помощь придет крахмал, разведенный в воде из расчета литр жидкости на чайную ложку сыпучего вещества. Такой раствор можно смело применять ежедневно для умывания. После такой процедуры человек потеряет былую сухость, станет бархатистым и ухоженным.
  • Кожа отличается повышенной чувствительностью, на лице наблюдается гиперемия или реакция на раздражитель, тогда эта маска просто находка. Все ингредиенты берем в пропорции один к одному: дрожжи сухие для выпечки, парное молоко и крахмал. Сначала смешайте дрожжи и молоко, оставьте их на некоторое время, затем введите последний ингредиент. Готово высокоэффективное косметическое средство, которое отлично снимает воспаления, снижает раздражительность кожи.
  • Летом кожу можно порадовать ягодами.Горсть малины растирают в кашицу, после чего вводят крахмал. Такой состав будет приемлемым для любого типа кожи, включая комбинации смешанных зон.
  • Если кожа начинает терять былую свежесть, сочетание ингредиентов может остановить процесс увядания: взять крахмал и соль в комбинации два к одному, перемешать. Постепенно вводите молоко, температура которого немного выше комнатной. Довести до состояния кашицы. В получившееся «пюре» добавить один кусочек натурального меда.Желательно, чтобы она была жидкой консистенции, чтобы было легче перемешивать. Этот красивый скраб — маска наносится на очищенное лицо. Движения пальцев должны быть мягкими, но массирующими. Маска наносится на основные линии лица, движения втирают. Оставьте на поверхности примерно на двадцать минут, затем смойте теплой водой. Получается хороший лифтинговый эффект.
  • Следующая композиция показывает просто уникальные результаты. Регулярные маски из этой комбинации ингредиентов позволяют избавиться от мелких морщин и немного разгладить более крупные, придать коже эластичность и эластичность, улучшить цвет лица.В первую очередь в 100 мл воды комнатной температуры разводим столовую ложку картофельного крахмала, после чего небольшой струйкой, постоянно помешивая, заливаем пол-литра кипятка. Затем переложить сосуд на небольшой огонь и, помешивая, сделать пасту (состав должен загустеть). Ставим тарелки на бок и даем немного остыть, затем добавляем столовую ложку сметаны, а также свежевыжатый морковный сок в количестве примерно пяти столовых ложек. Нанесите на чистую поверхность и смочите маской до получаса.По истечении времени вымойте и смажьте эпидермис питательным кремом, подходящим для вашего типа. Сначала маску нужно наносить ежедневно в течение трех дней — это позволит быстро прийти к желаемому результату. Впоследствии — каждые три дня. Тогда эффект сохранится. Подготовленный, но не использованный полностью, состав следует хранить в холодильнике.

Маска для лица из белка и крахмала

Если заглянуть в холодильник любой хозяйки, там можно найти множество продуктов, которые пригодятся нашей коже.Самый, пожалуй, простой и дешевый вариант, но не менее полезный — маска для лица из белка и крахмала. Эти два продукта всегда под рукой и пока готовите ужин, почему бы не приготовить масочку и не оздоровить кожу. Это займет минуту, а результат не заставит себя ждать. К приходу гостей стол накрывается, а хозяйка чувствует себя красивой и помолодевшей.

Вот несколько рецептов масок для лица из белка и крахмала с другими дополнительными ингредиентами.

  1. Эта маска прекрасно питает клетки эпидермиса, очищает и наполняет их влагой. После его применения кожа становится мягкой и эластичной, приобретает здоровый оттенок. Отлично подходит для всех типов кожи.

Состав: крахмал картофельный — кефир столовая — ложка Яйцо — одна штука

Разбейте яйцо и разделите желток с белком. Белок тщательно измельчить. В отдельной емкости перемешать картофельный крахмал и кисломолочный продукт, затем ввести яичный белок.Маска готова к использованию. Достаточно 10-15 минут, чтобы почувствовать разницу в тактильных изменениях кожного покрова. После процедуры смыть водой комнатной температуры. Достаточно двух-трех раз в неделю, чтобы кожа оставалась в хорошем состоянии.

  1. Если человек покрывает прыщи — это не только не эстетично, но и опасно. Стоит случайно заразиться прыщиком, и ворота для заражения открыты. Этот состав станет незаменимым помощником в случае жирной и проблемной кожи.Антисептические свойства маски позволяют снизить интенсивность воспалительного процесса, санировать и несколько сузить поры, насытить эпидермис питательными веществами.

Состав:

Картофельный крахмал — столовая ложка Масло чайного дерева — пять капель Яйцо — одна штука

Разбейте яйцо и разделите желток с белком. Белок тщательно взбить, доведя до густой пены. В емкость кладем крахмал, тщательно перемешиваем и добавляем немного ароматного масла. За несколько минут до наложения лечебного слоя кожу лица необходимо очистить.На сухой эпидермис нанести полученный состав тонким слоем и оставить на четверть часа. Смойте прохладной водой. Достаточно трех-четырех масок в течение недели, чтобы не допускать воспаления и раздражения кожных покровов лица.

  1. Эта маска идеально подходит для людей с жирным и проблемным эпидермисом. Такое сочетание полезных компонентов будет способствовать питанию клеток лица, купирует воспаление и раздражение, санирует поры и делает их менее заметными, исчезнет нездоровый жирный блеск, а кожа приобретет здоровый оттенок.

Состав:

Картофельный крахмал — столовая ложка сока алоэ — одна чайная ложка Яйцо — один кусок

В яйце отделите белок и хорошо взбейте. Возьмите лист алоэ. Желательно, чтобы это растение было не меньше трех лет — оно уже набралось столь необходимой силы. Снимите кожуру с листа, а середину измельчите. Используйте марлю, чтобы получить сок. В емкость ввести крахмал и, постоянно помешивая, всыпать яичный белок, затем ввести сок алоэ.Все хорошо перемешать. Нанесите тонкий слой на предварительно очищенное лицо и держите 7-10 минут. Спустя время смойте водой комнатной температуры. Достаточно будет использовать эту маску один-два раза в неделю.

  1. Эта комбинация компонентов отлично поддерживает эпидермис с высоким содержанием жира (жирный тип кожи). Маска приводит к нормальному состоянию кожи, убирает нездоровый жирный блеск, очищает и сужает поры, доставляет питательные вещества не только в клетки эпидермиса, но и в более глубокие структуры.Кожа приобретает эффект небольшого лифтинга.

Состав:

  • Картофельный крахмал — столовая ложка Кипяченая вода — 0,5 л Толочно — одна столовая ложка Холодная вода — 100 мл
  • Яйцо — шт.

Разбейте яйцо, отделите белок и получите густую пену. Холодной водой развести картофельный крахмал. Состав разлить в эмалированную посуду и поставить на небольшой огонь. Смесь необходимо постоянно помешивать, вливая в нее кипяченую воду. Держать на плите до загустения.Отложите на край и дождитесь, пока он остынет до теплого состояния или комнатной температуры. После вводите белок и овсянку. Все перемешать — маска готова к использованию.

Перед нанесением очистить и высушить лицо. Полученный состав нанести толстым слоем и подержать 15-20 минут. Эту процедуру можно делать два-четыре раза в течение недели. Лучше смыть теплой водой. После процедуры питательный крем не наносится.

trusted-source [1]

Маска для лица из крахмала и банана

Лифтинг — это процедура для подтяжки, очистки и эффективного омоложения кожи.Сегодня ее можно найти в прайс-листах всех салонов красоты, и эта услуга отнюдь не из дешевых. Так что же делать женщинам (и мужчинам), которые хотят чувствовать себя привлекательными и стараются сохранить молодость, но не имеют много денег? Природа придет на помощь. Она богата и щедра, и человеку нужно только воспользоваться ее богатством. Питательную маску можно найти в холодильнике или на полках супермаркетов. Маска для лица из крахмала и банана — дешево, быстро и эффективно.

  • Питательный состав с подтягивающим эффектом.

Необходимо снять кожуру с банана среднего размера. Спелая мякоть вилкой или блендером в кашице. Возьмите картофельный крахмал в объеме, равном объему полученного бананового пюре, и все хорошо перемешайте. Емкость с составом на пять-десять минут дайте постоять, предварительно накрыв пищевой пленкой или крышкой. После этого маска готова к использованию.

Хорошо вымыть лицо и обсушить полотенцем. Нанесите небольшой слой на чистую поверхность и подержите двадцать-двадцать пять минут.Чтобы эффект был более ощутимым, наши бабушки после наложения маски накладывали сверху полиэтилен, а затем чистое полотенце или полотенце, чтобы процесс оставался в тепле.

После завершения процедуры удалить остатки питательного состава ватными палочками, а затем промыть горячей водой. Для улучшения результата косметической процедуры лицо желательно протирать салфеткой, смоченной свежевыжатым соком алоэ. В этом случае лучше взять молодой листочек этого уникального растения.Достаточно для поддержания необходимого эффекта использовать эту маску два-три раза в течение недели. Рекомендуемый курс терапии — три месяца. Достаточно нескольких процедур, чтобы оценить значительную разницу: до и после терапии.

  • Маска для эпидермиса, имеющая сухую или нормальную текстуру.

В глубокой миске довести до кремообразного состояния мякоть одного спелого банана. В банановое пюре добавьте одну-две чайные ложки жирного кондитерского крема (если нет такого, подойдет 10% или 15%) и небольшое количество картофельного крахмала.Все ингредиенты следует тщательно перемешать. Контролируем вязкость состава крахмалом. Наконец, добавьте растопленную корицу на кончик ножа. Для большей эффективности можно включить свое воображение и добавить несколько капель ароматного эфирного масла. Вы можете выбрать любое масло, которое вам больше нравится, предварительно ознакомившись с его свойствами. Состав должен представлять собой пастообразную смесь.

Нанесите маску тонким слоем на кожу лица, предварительно очищенную и просушенную салфеткой.Лицо согреть, как в первом случае, сначала с пищевой пленкой, а сверху положить полотенце или салфетку и посидеть так пятнадцать-двадцать минут. После этого промойте поверхность теплой водой. Для улучшения результата не лишним будет протереть лицо льдом, который был приготовлен на основе заранее заваренного зеленого чая. Для закрепления полученного эффекта эту маску нужно делать не реже одной процедуры в семь дней, рекомендуемая продолжительность курса терапии — два-три месяца.

поиск по маске — это… Что такое поиск по маске?

  • Человек в маске (мультфильм) — Человек в маске Актерский состав «Человек в маске» Жанр Боевик, Турнир, Комедия, Научная фантастика, Фэнтези Формат 2D… Википедия

  • Поиск и спасение — Для использования в других целях см. Поиск и спасение (значения) Поиск и спасение Вертолет канадских вооруженных сил CH 149 Cormorant поднимает человека с катера канадской береговой охраны. Поиск и спасение (SAR) — поиск и обеспечение помощи людям, которые…… Википедия

  • Маска — Для использования в других целях, см Маска (значения).Эта каменная маска докерамического неолита датируется 7000 годом до нашей эры и, вероятно, является самой старой маской в ​​мире (Musée de la Bible et de la Terre Sainte)… Википедия

  • Бионикл: Маска света: фильм — Бионикл: Маска света Режиссеры Терри Шекспир, Дэвид Молина Продюсеры Сью Шекспир, Дженис Росс, Стиг Блихер… Википедия

  • Хрустальная маска -… Википедия

  • Маска (фильм) — Эта статья о фильме 1994 года с Джимом Керри в главной роли.Чтобы узнать о фильме Петра Богдановича 1985 года, см. Маска (фильм). Постер к выпуску The Mask Theatrical Режиссер… Wikipedia

  • Glass Mask — Крышка первого танкобона серии.ガ ラ ス の 仮 面 (Гарасу но Камен)… Википедия

  • Маска персонажа — Часть цикла о марксизме… Википедия

  • Маска с привидениями — инфобокс Книга | | name = Маска с привидениями orig title = Отель с привидениями в дюнах переводчик = author = R.Художник обложки Л. Стайна = Тим Якобус страна = США язык = английский / испанский / французский сериалы = классификация мурашек по коже = художественная литература … … Википедия

  • Neverwinter Nights 2: Маска Предателя — Neverwinter Nights 2: Маска Предателя… Википедия

  • Маска Робина — нихонго | Маска Робина | ロ ビ ン ・ マ ス ク — персонаж из манги и аниме Юдетамаго «Кинникуман» и его продолжения «Кинникуман Нисей». О себе * Классификация: Сейги Чоджин * Родина: Лондон, Англия flagicon | Великобритания * Возраст: 26, 28 (арка Золотая маска), 30 (Трон…… Википедия

  • поиск по маске — это… Что такое поиск по маске?

  • Человек в маске (мультфильм) — Человек в маске Актерский состав «Человек в маске» Жанр Боевик, Турнир, Комедия, Научная фантастика, Фэнтези Формат 2D… Википедия

  • Поиск и спасение — Для использования в других целях см. Поиск и спасение (значения) Поиск и спасение Вертолет канадских вооруженных сил CH 149 Cormorant поднимает человека с катера канадской береговой охраны. Поиск и спасение (SAR) — поиск и обеспечение помощи людям, которые…… Википедия

  • Маска — Для использования в других целях, см Маска (значения).Эта каменная маска докерамического неолита датируется 7000 годом до нашей эры и, вероятно, является самой старой маской в ​​мире (Musée de la Bible et de la Terre Sainte)… Википедия

  • Бионикл: Маска света: фильм — Бионикл: Маска света Режиссеры Терри Шекспир, Дэвид Молина Продюсеры Сью Шекспир, Дженис Росс, Стиг Блихер… Википедия

  • Хрустальная маска -… Википедия

  • Маска (фильм) — Эта статья о фильме 1994 года с Джимом Керри в главной роли.Чтобы узнать о фильме Петра Богдановича 1985 года, см. Маска (фильм). Постер к выпуску The Mask Theatrical Режиссер… Wikipedia

  • Glass Mask — Крышка первого танкобона серии.ガ ラ ス の 仮 面 (Гарасу но Камен)… Википедия

  • Маска персонажа — Часть цикла о марксизме… Википедия

  • Маска с привидениями — инфобокс Книга | | name = Маска с привидениями orig title = Отель с привидениями в дюнах переводчик = author = R.Художник обложки Л. Стайна = Тим Якобус страна = США язык = английский / испанский / французский сериалы = классификация мурашек по коже = художественная литература … … Википедия

  • Neverwinter Nights 2: Маска Предателя — Neverwinter Nights 2: Маска Предателя… Википедия

  • Маска Робина — нихонго | Маска Робина | ロ ビ ン ・ マ ス ク — персонаж из манги и аниме Юдетамаго «Кинникуман» и его продолжения «Кинникуман Нисей». О себе * Классификация: Сейги Чоджин * Родина: Лондон, Англия flagicon | Великобритания * Возраст: 26, 28 (арка Золотая маска), 30 (Трон…… Википедия

  • COVID-19: детектор маски лица с OpenCV, Keras / TensorFlow и глубоким обучением

    Щелкните здесь, чтобы загрузить исходный код этого сообщения

    В этом руководстве вы узнаете, как обучить детектор маски лица COVID-19 с помощью OpenCV, Keras / TensorFlow и Deep Learning.

    В прошлом месяце я написал в блоге сообщение об обнаружении COVID-19 на рентгеновских снимках с использованием глубокого обучения.

    Читателям действительно понравилось учиться на своевременном практическом применении этого руководства, поэтому сегодня мы собираемся взглянуть на другое связанное с COVID приложение компьютерного зрения, это приложение для обнаружения масок лица с помощью OpenCV и Keras / TensorFlow.

    Я был вдохновлен на создание этого руководства после:

    1. Получение многочисленных запросов от читателей PyImageSearch с просьбой написать такое сообщение в блоге
    2. Видеть, как другие реализуют свои собственные решения (моим любимым является решение Prajna Bhandary, которое мы собираемся создавать с сегодняшнего дня)

    При правильном развертывании Детектор масок COVID-19, который мы создаем здесь сегодня, потенциально может быть использован для обеспечения вашей безопасности и безопасности других (но я оставлю это медицинским специалистам, чтобы решить, внедрить и распространить в дикой природе).

    Чтобы узнать, как создать детектор маски для лица COVID-19 с помощью OpenCV, Keras / TensorFlow и Deep Learning, просто продолжайте читать!

    COVID-19: детектор маски лица с OpenCV, Keras / TensorFlow и глубоким обучением

    В этом руководстве мы обсудим наш двухфазный детектор масок COVID-19, подробно описав, как будет реализован наш конвейер компьютерного зрения / глубокого обучения.

    После этого мы рассмотрим набор данных, который мы будем использовать для обучения нашего детектора маски лица.

    Затем я покажу вам, как реализовать скрипт Python для обучения детектора маски лица в нашем наборе данных с помощью Keras и TensorFlow.

    Мы будем использовать этот скрипт Python для обучения детектора маски лица и просмотра результатов.

    Учитывая обученный детектор масок COVID-19, мы приступим к реализации еще двух дополнительных скриптов Python, используемых для:

    1. Обнаружение масок COVID-19 на изображениях
    2. Обнаружение масок лица в видеопотоках в реальном времени

    Мы завершим пост, рассмотрев результаты применения нашего детектора масок лица.

    Я также дам несколько дополнительных предложений по дальнейшему улучшению.

    Двухфазный детектор маски COVID-19

    Рисунок 1: Этапы и отдельные шаги для создания детектора маски для лица COVID-19 с компьютерным зрением и глубоким обучением с использованием Python, OpenCV и TensorFlow / Keras.

    Чтобы обучить настраиваемый детектор маски лица, нам нужно разбить наш проект на две отдельные фазы, каждая со своими собственными соответствующими подэтапами (как показано рис. 1 выше):

    1. Обучение: Здесь мы сосредоточимся на загрузке нашего набора данных обнаружения маски лица с диска, обучении модели (с использованием Keras / TensorFlow) на этом наборе данных, а затем сериализации детектора маски лица на диск
    2. Развертывание: После того, как детектор маски лица обучен, мы можем перейти к загрузке детектора маски, выполнению обнаружения лица, а затем классификации каждого лица как with_mask или without_mask

    Мы подробно рассмотрим каждую из этих фаз и связанных с ними подмножеств в оставшейся части этого руководства, а пока давайте взглянем на набор данных, который мы будем использовать для обучения нашего детектора маски COVID-19.

    Наш набор данных по обнаружению масок COVID-19

    Рисунок 2: Набор данных обнаружения маски лица состоит из изображений «с маской» и «без маски». Мы будем использовать этот набор данных для создания детектора маски лица COVID-19 с компьютерным зрением и глубоким обучением с использованием Python, OpenCV и TensorFlow / Keras.

    Набор данных, который мы будем использовать сегодня, был создан читателем PyImageSearch Праджной Бхандари.

    Этот набор данных состоит из 1376 изображений , принадлежащих к двум классам:

    • with_mask : 690 изображений
    • without_mask : 686 изображений

    Наша цель — обучить настраиваемую модель глубокого обучения определять, носит ли человек или не в маске.

    Примечание: Для удобства я включил набор данных, созданный Праджной, в раздел «Загрузки» этого руководства.

    Как был создан набор данных маски лица?

    Праджня, как и я, чувствовал себя подавленным и подавленным по поводу состояния мира — тысячи людей умирают каждый день, и для многих из нас очень мало (если вообще что-либо) мы можем сделать.

    Чтобы поддержать свое настроение, Праджна решила отвлечься, применив компьютерное зрение и глубокое обучение для решения реальной проблемы:

    • Лучший сценарий — она ​​могла бы использовать свой проект для помощи другим
    • Наихудший сценарий — это дало ей столь необходимый умственный побег

    В любом случае, это беспроигрышный вариант!

    Как программисты, разработчики и специалисты в области компьютерного зрения / глубокого обучения, мы можем все взять страницу из книги Праджны — пусть ваши навыки станут вашим отвлечением и убежищем.

    Для создания этого набора данных у Праджны было гениальное решение:

    1. Получение нормальных изображений лиц
    2. Затем создание пользовательского скрипта Python для компьютерного зрения для добавления к ним масок лица, , тем самым создавая искусственный (но все еще применимый в реальном мире) набор данных

    Этот метод на самом деле намного проще, чем кажется, если применить к проблеме лицевые ориентиры.

    Ориентиры лица позволяют нам автоматически определять расположение структур лица, в том числе:

    • Глаза
    • Брови
    • Нос
    • Рот
    • Линия подбородка

    Чтобы использовать лицевые ориентиры для построения набора данных лиц в масках, нам нужно сначала начать с изображения человека , а не в маске для лица :

    Рисунок 3: Чтобы создать набор данных о масках для лица по пандемии COVID-19 / Коронавируса, мы сначала начнем с фотографии человека без лица.

    Оттуда мы применяем обнаружение лица, чтобы вычислить положение ограничивающей рамки лица на изображении:

    Рисунок 4: Следующим шагом является применение функции обнаружения лиц. Здесь мы использовали метод глубокого обучения для обнаружения лиц с помощью OpenCV.

    Как только мы узнаем , где находится лицо на изображении, мы можем извлечь область интереса (ROI) лица:

    Рисунок 5: Следующим шагом является извлечение области интереса лица с помощью OpenCV и NumPy нарезки.

    И оттуда мы наносим лицевые ориентиры, позволяющие нам определить глаза, нос, рот и т. Д.:

    Далее нам нужно изображение маски (с прозрачным фоном), как показано ниже:

    Рисунок 7: Пример маски / щита для лица от COVID-19 / Coronavirus. Эта маска для лица будет автоматически наложена на исходную область интереса лица, поскольку нам известны местоположения ориентиров на лице.

    Эта маска будет , автоматически применена к лицу с использованием лицевых ориентиров (а именно точек вдоль подбородка и носа) для вычисления , где маска будет размещена.

    Затем маска изменяется и поворачивается, помещая ее на лицо:

    Рис. 8: На этом рисунке маска помещена на лицо человека в исходной рамке. С первого взгляда сложно сказать, что маска COVID-19 была применена с компьютерным зрением посредством OpenCV и dlib-ориентиров лица.

    Затем мы можем повторить этот процесс для всех наших входных изображений, тем самым создав наш набор данных искусственной маски лица:

    Рисунок 9: Показан искусственный набор изображений маски лица COVID-19.Этот набор будет частью нашего набора данных «с маской» / «без маски» для обнаружения маски лица COVID-19 с помощью компьютерного зрения и глубокого обучения с использованием Python, OpenCV и TensorFlow / Keras.

    Однако есть одно предостережение, о котором следует помнить при использовании этого метода для искусственного создания набора данных!

    Если вы используете набор изображений для создания искусственного набора данных людей в масках, вы, , не можете «повторно использовать» изображения без масок в своем тренировочном наборе — вам все равно нужно собрать изображения без масок, которые , а не , использовались в процессе искусственной генерации!

    Если вы включите исходные изображения, используемые для создания образцов маски лица, как образцы маски без маски, ваша модель станет сильно смещенной и не сможет хорошо обобщить.Избегайте этого любой ценой, находя время, чтобы собрать новые образцы лиц без масок.

    Описание того, как использовать лицевые ориентиры для нанесения маски на лицо, выходит за рамки этого руководства, но если вы хотите узнать об этом больше, я бы предложил:

    1. Ссылаясь на репозиторий Prajna на GitHub
    2. Читаю это руководство в блоге PyImageSearch, где я обсуждаю, как использовать лицевые ориентиры для автоматического нанесения солнцезащитных очков на лицо

    Тот же принцип из моего сообщения о солнцезащитных очках применяется к созданию набора данных искусственной маски для лица — используйте лицевые ориентиры, чтобы вывести структуру лица, поверните и измените размер маски, а затем примените ее к изображению.

    Структура проекта

    После того, как вы загрузите файлы из раздела «Загрузки» этой статьи, вам будет представлена ​​следующая структура каталогов:

     $ tree --dirsfirst --filelimit 10
    .
    ├── набор данных
    │ ├── with_mask [690 записей]
    │ └── without_mask [686 записей]
    ├── примеры
    │ ├── example_01.png
    │ ├── example_02.png
    │ └── example_03.png
    ├── face_detector
    │ ├── deploy.prototxt
    │ └── res10_300x300_ssd_iter_140000.кофемодель
    ├── detect_mask_image.py
    ├── detect_mask_video.py
    ├── mask_detector.model
    ├── plot.png
    └── train_mask_detector.py
    
    5 каталогов, 10 файлов 

    Каталог dataset / содержит данные, описанные в разделе «Наш набор данных для обнаружения маски COVID-19» .

    Три изображения примера / предоставлены, чтобы вы могли протестировать детектор маски статического изображения.

    В этом руководстве мы рассмотрим три скрипта Python:

    • train_mask_detector.py : принимает наш входной набор данных и настраивает MobileNetV2 на него, чтобы создать наш mask_detector.model . Также создается история обучения plot.png , содержащая кривые точности / потерь
    • detect_mask_image.py : выполняет обнаружение маски лица в статических изображениях
    • detect_mask_video.py : Используя веб-камеру, этот сценарий применяет обнаружение маски лица к каждому кадру в потоке

    В следующих двух разделах мы обучим наш детектор маски лица.

    Реализация нашего сценария обучения детектора масок COVID-19 с Keras и TensorFlow

    Теперь, когда мы рассмотрели наш набор данных маски для лица, давайте узнаем, как мы можем использовать Keras и TensorFlow для обучения классификатора , чтобы автоматически определять, носит ли человек маску или нет.

    Для выполнения этой задачи мы настроим архитектуру MobileNet V2, высокоэффективную архитектуру, которую можно применить к встроенным устройствам с ограниченной вычислительной мощностью (например,, Raspberry Pi, Google Coral, NVIDIA Jetson Nano и т. Д.).

    Примечание: Если вас интересует встроенное компьютерное зрение, обязательно ознакомьтесь с моей книгой Raspberry Pi для компьютерного зрения , в которой рассказывается о работе с устройствами с ограниченными вычислительными возможностями для компьютерного зрения и глубокого обучения.

    Развертывание нашего детектора маски для лица на встраиваемых устройствах может снизить стоимость производства таких систем обнаружения маски для лица, поэтому мы решили использовать эту архитектуру.

    Приступим!

    Откройте файл train_mask_detector.py в своей структуре каталогов и вставьте следующий код:

     # импортируем необходимые пакеты
    из tensorflow.keras.preprocessing.image импорт ImageDataGenerator
    из tenorflow.keras.applications импортировать MobileNetV2
    из tensorflow.keras.layers импорт AveragePooling2D
    из tensorflow.keras.layers import Dropout
    из tensorflow.keras.layers import Flatten
    из tensorflow.keras.layers import Dense
    из тензорного потока.keras.layers import Input
    из модели импорта tenorflow.keras.models
    из tensorflow.keras.optimizers import Adam
    из tensorflow.keras.applications.mobilenet_v2 импорт preprocess_input
    из tensorflow.keras.preprocessing.image import img_to_array
    из tensorflow.keras.preprocessing.image import load_img
    из tensorflow.keras.utils импорт в_categorical
    из sklearn.preprocessing import LabelBinarizer
    из sklearn.model_selection import train_test_split
    из sklearn.metrics импорт классификации_report
    из путей импорта imutils
    импортировать matplotlib.pyplot как plt
    импортировать numpy как np
    import argparse
    импорт ос 

    Импорт нашего учебного сценария может показаться вам пугающим либо потому, что их так много, либо потому, что вы новичок в глубоком обучении. Если вы новичок, я бы рекомендовал прочитать как учебник по Keras, так и руководство по тонкой настройке, прежде чем двигаться дальше.

    Наш набор tenorflow.keras импортирует :

    • Увеличение данных
    • Загрузка классификатора MobilNetV2 (мы настроим эту модель с помощью предварительно обученных весов ImageNet)
    • Создание новой полностью подключенной (FC) головки
    • Предварительная обработка
    • Загрузка данных изображения

    Мы будем использовать scikit-learn ( sklearn ) для преобразования меток классов в двоичную форму, сегментирования набора данных и печати отчета о классификации.

    Моя реализация imutils paths поможет нам найти и перечислить изображения в нашем наборе данных. И мы будем использовать matplotlib для построения наших тренировочных кривых.

    Чтобы установить необходимое программное обеспечение, чтобы этот импорт был доступен вам, обязательно следуйте одному из моих руководств по установке Tensorflow 2.0+:

    Давайте продолжим и проанализируем несколько аргументов командной строки, необходимых для запуска нашего скрипта с терминала:

     # построить парсер аргументов и проанализировать аргументы
    ap = argparse.ArgumentParser ()
    ap.add_argument ("- d", "--dataset", required = True,
    help = "путь к входному набору данных")
    ap.add_argument ("- p", "--plot", type = str, default = "plot.png",
    help = "путь к графику выходных потерь / точности")
    ap.add_argument ("- m", "--model", type = str,
    по умолчанию = "mask_detector.model",
    help = "путь к выходной модели детектора маски лица")
    args = vars (ap.parse_args ()) 

    Наши аргументы командной строки включают:

    • --dataset : путь к входному набору данных граней и граней с масками
    • --plot : путь к выходному графику истории обучения, который будет создан с использованием matplotlib
    • --model : Путь к полученной сериализованной модели классификации лицевых масок

    Мне нравится определять свои гиперпараметры глубокого обучения в одном месте:

     # инициализируем начальную скорость обучения, количество эпох для тренировки,
    # и размер партии
    INIT_LR = 1e-4
    EPOCHS = 20
    BS = 32 

    Здесь я указал константы гиперпараметров, включая начальную скорость обучения, количество эпох обучения и размер пакета.Позже мы будем применять график уменьшения скорости обучения, поэтому мы назвали переменную скорости обучения INIT_LR .

    На этом этапе мы готовы загрузить и предварительно обработать наши обучающие данные:

     # возьмите список изображений в каталоге нашего набора данных, затем инициализируйте
    # список данных (т.е. изображений) и изображений классов
    print ("[ИНФОРМАЦИЯ] загрузка изображений ...")
    imagePaths = list (paths.list_images (args ["набор данных"]))
    данные = []
    label = []
    
    # перебираем пути к изображениям
    для imagePath в imagePaths:
    # извлекаем метку класса из имени файла
    label = imagePath.split (os.path.sep) [- 2]
    
    # загружаем исходное изображение (224x224) и обрабатываем его
    изображение = load_img (imagePath, target_size = (224, 224))
    image = img_to_array (изображение)
    image = preprocess_input (изображение)
    
    # обновить списки данных и меток соответственно
    data.append (изображение)
    label.append (метка)
    
    # преобразовываем данные и метки в массивы NumPy
    data = np.array (data, dtype = "float32")
    label = np.array (метки) 

    В этом блоке нас:

    • Получение всех imagePaths в наборе данных ( строка 44 )
    • Инициализация данных и метки списков ( строки 45 и 46 )
    • Цикл по imagePaths и загрузка + предварительная обработка изображений ( строки 49-60 ).Этапы предварительной обработки включают изменение размера до 224 × 224 пикселей, преобразование в формат массива и масштабирование интенсивности пикселей во входном изображении до диапазона [-1, 1] (с помощью вспомогательной функции preprocess_input )
    • Добавление предварительно обработанного изображения и связанной с ним метки к спискам меток и данных соответственно ( строки 59 и 60 )
    • Обеспечение того, чтобы наши обучающие данные были в формате массива NumPy ( строки 63 и 64 )

    В приведенных выше строках кода предполагается, что весь ваш набор данных достаточно мал, чтобы уместиться в памяти.Если ваш набор данных больше, чем имеющаяся у вас память, я предлагаю использовать HDF5, стратегию, которую я описываю в Deep Learning for Computer Vision with Python (Practitioner Bundle Chapters 9 and 10).

    Наши работы по подготовке данных еще не завершены. Затем мы закодируем наши метки , разделим наш набор данных и подготовимся к увеличению данных:

     # выполнить быстрое кодирование этикеток
    lb = LabelBinarizer ()
    label = lb.fit_transform (метки)
    label = to_categorical (метки)
    
    # разбиваем данные на обучающие и тестовые, используя 80%
    # данные для обучения и оставшиеся 20% для тестирования
    (trainX, testX, trainY, testY) = train_test_split (данные, метки,
    test_size = 0.20, стратифицировать = метки, random_state = 42)
    
    # построить генератор обучающего образа для увеличения данных
    aug = ImageDataGenerator (
    Rotation_range = 20,
    zoom_range = 0,15,
    width_shift_range = 0,2,
    height_shift_range = 0,2,
    shear_range = 0,15,
    horizontal_flip = Верно,
    fill_mode = "ближайший") 

    Строки 67-69 быстро кодируют метки наших классов, что означает, что наши данные будут в следующем формате:

     $ python train_mask_detector.py --dataset набор данных
    [INFO] загрузка изображений...
    -> (trainX, testX, trainY, testY) = train_test_split (данные, метки,
    (Pdb) метки [500:]
    массив ([[1., 0.],
           [1., 0.],
           [1., 0.],
           ...,
           [0., 1.],
           [0., 1.],
           [0., 1.]], dtype = float32)
    (PDB) 

    Как видите, каждый элемент нашего массива меток состоит из массива, в котором только один индекс является «горячим» (то есть 1 ).

    Используя удобный метод scikit-learn, Строки 73 и 74 сегментируют наши данные на 80% обучения и оставшиеся 20% для тестирования.

    Во время обучения мы будем «на лету» применять мутации к нашим изображениям, чтобы улучшить обобщение. Это известно как увеличение данных, где параметры случайного вращения, масштабирования, сдвига, сдвига и зеркального отражения устанавливаются в строках 77-84 . Во время обучения мы будем использовать объект авг .

    Но сначала нам нужно подготовить MobileNetV2 к тонкой настройке:

     # загрузить сеть MobileNetV2, убедившись, что наборы головного уровня FC
    # остановлено
    baseModel = MobileNetV2 (weights = "imagenet", include_top = False,
    input_tensor = Вход (форма = (224, 224, 3)))
    
    # построить голову модели, которая будет размещена поверх
    # базовая модель
    headModel = baseModel.выход
    headModel = AveragePooling2D (размер_пул = (7, 7)) (headModel)
    headModel = Flatten (name = "flatten") (headModel)
    headModel = Dense (128, активация = "relu") (headModel)
    headModel = Dropout (0,5) (headModel)
    headModel = Dense (2, активация = "softmax") (headModel)
    
    # поместите головную модель FC поверх базовой модели (она станет
    # актуальную модель мы будем тренировать)
    model = Модель (входы = baseModel.input, output = headModel)
    
    # перебрать все слои базовой модели и заморозить их, чтобы они
    # * не * обновляться во время первого тренировочного процесса
    для слоя в baseModel.слои:
    layer.trainable = False 

    Настройка точной настройки — это трехэтапный процесс:

    1. Загрузите MobileNet с предварительно обученными весами ImageNet, оставив головку сети ( строки 88 и 89, )
    2. Создайте новую головку FC и добавьте ее к основанию вместо старой ( Строки 93-102) )
    3. Закрепите базовые уровни сети (, строки 106 и 107, ). Веса этих базовых слоев не будут обновляться в процессе обратного распространения, тогда как веса головного слоя будут настроены.

    Тонкая настройка — это стратегия, которую я почти всегда рекомендую для создания базовой модели, экономя при этом значительное время. Чтобы узнать больше о теории, целях и стратегии, обратитесь к моим сообщениям в блоге о тонкой настройке и в Deep Learning for Computer Vision with Python (Practitioner Bundle, глава 5).

    Подготовив данные и подготовив архитектуру модели для точной настройки, мы готовы скомпилировать и обучить нашу сеть детекторов масок:

     # скомпилируем нашу модель
    print ("[ИНФОРМАЦИЯ] компилирующая модель... ")
    opt = Адам (lr = INIT_LR, распад = INIT_LR / EPOCHS)
    model.compile (loss = "binary_crossentropy", optimizer = opt,
    метрики = ["точность"])
    
    # обучаем руководителя сети
    print ("[INFO] тренировочная голова ...")
    H = model.fit (
    aug.flow (trainX, trainY, batch_size = BS),
    steps_per_epoch = len (trainX) // БС,
    validation_data = (testX, testY),
    validation_steps = len (testX) // БС,
    эпох = EPOCHS) 

    Строки 111-113 компилируют нашу модель с оптимизатором Adam , графиком уменьшения скорости обучения и двоичной кросс-энтропией.Если вы строите из этого обучающего сценария с > 2 классами, обязательно используйте категориальную кросс-энтропию.

    Обучение маске для лица запускается через линии 117-122 . Обратите внимание, как наш объект увеличения данных ( авг ) будет предоставлять пакеты измененных данных изображения.

    После завершения обучения мы оценим получившуюся модель на тестовом наборе:

     # делать прогнозы на тестовом наборе
    print ("[ИНФОРМАЦИЯ] оценка сети ...")
    predIdxs = модель.предсказать (testX, batch_size = BS)
    
    # для каждого изображения в тестовом наборе нам нужно найти индекс
    # метка с соответствующей наибольшей предсказанной вероятностью
    predIdxs = np.argmax (predIdxs, axis = 1)
    
    # показать красиво оформленный отчет о классификации
    печать (отчет_классификации (testY.argmax (ось = 1), predIdxs,
    target_names = lb.classes_))
    
    # сериализуем модель на диск
    print ("[ИНФОРМАЦИЯ] сохранение модели детектора маски ...")
    model.save (args ["модель"], save_format = "h5") 

    Здесь Строки 126-130 делают прогнозы на тестовом наборе, захватывая индексы меток классов с наивысшей вероятностью.Затем мы распечатываем отчет о классификации в терминале для проверки.

    Строка 138 сериализует нашу классификацию лицевой маски модель на диск.

    Наш последний шаг — построить кривые точности и потерь:

     # построить график потерь и точности обучения
    N = EPOCHS
    plt.style.use ("ggplot")
    plt.figure ()
    plt.plot (np.arange (0, N), H.history ["loss"], label = "train_loss")
    plt.plot (np.arange (0, N), H.history ["val_loss"], label = "val_loss")
    plt.plot (np.arange (0, N), H.history ["precision"], label = "train_acc")
    plt.plot (np.arange (0, N), H.history ["val_accuracy"], label = "val_acc")
    plt.title («Тренировочные потери и точность»)
    plt.xlabel ("Эпоха №")
    plt.ylabel («Потеря / Точность»)
    plt.legend (loc = "нижний левый")
    plt.savefig (args ["сюжет"]) 

    Когда наш график готов, Строка 152 сохраняет фигуру на диск, используя путь к файлу --plot .

    Обучение детектора масок COVID-19 с помощью Keras / TensorFlow

    Теперь мы готовы обучить наш детектор масок с использованием Keras, TensorFlow и Deep Learning.

    Убедитесь, что вы использовали раздел «Загрузки» этого руководства, чтобы загрузить исходный код и набор данных маски лица.

    Оттуда откройте терминал и выполните следующую команду:

     $ python train_mask_detector.py --dataset набор данных
    [INFO] загрузка изображений ...
    [ИНФОРМАЦИЯ] составление модели ...
    [INFO] тренировочная голова ...
    Выполните 34 шага, проверьте 276 образцов
    Эпоха 1/20
    34/34 [==============================] - 30 с 885 мс / шаг - потеря: 0.6431 - точность: 0,6676 - val_loss: 0,3696 - val_accuracy: 0,8242
    Эпоха 2/20
    34/34 [==============================] - 29 с 853 мс / шаг - потеря: 0,3507 - точность: 0,8567 - val_loss : 0.1964 - val_accuracy: 0.9375
    Эпоха 3/20
    34/34 [==============================] - 27 с 800 мс / шаг - потеря: 0,2792 - точность: 0,8820 - val_loss : 0.1383 - val_accuracy: 0.9531
    Эпоха 4/20
    34/34 [==============================] - 28 с 814 мс / шаг - потеря: 0,2196 - точность: 0,9148 - val_loss : 0.1306 - val_accuracy: 0.9492
    Эпоха 5/20
    34/34 [==============================] - 27 с 792 мс / шаг - потеря: 0.2006 - точность: 0,9213 - val_loss: 0,0863 - val_accuracy: 0,9688
    ...
    Эпоха 16/20
    34/34 [==============================] - 27 с 801 мс / шаг - потеря: 0,0767 - точность: 0,9766 - val_loss : 0.0291 - val_accuracy: 0.9922
    Эпоха 17/20
    34/34 [==============================] - 27 с 795 мс / шаг - потеря: 0,1042 - точность: 0,9616 - val_loss : 0.0243 - val_accuracy: 1.0000
    Эпоха 18/20
    34/34 [==============================] - 27 с 796 мс / шаг - потеря: 0,0804 - точность: 0,9672 - val_loss : 0.0244 - val_accuracy: 0.9961
    Эпоха 19/20
    34/34 [==============================] - 27 с 793 мс / шаг - потеря: 0.0836 - точность: 0,9710 - val_loss: 0,0440 - val_accuracy: 0,9883
    Эпоха 20/20
    34/34 [==============================] - 28 с 838 мс / шаг - потеря: 0,0717 - точность: 0,9710 - val_loss : 0.0270 - val_accuracy: 0.9922
    [INFO] оценка сети ...
                  точный отзыв поддержка f1-score
    
       with_mask 0,99 1,00 0,99 138
    без_маски 1,00 0,99 0,99 138
    
        точность 0,99 276
       макрос в среднем 0,99 0,99 0,99 276
    средневзвешенный 0.99 0,99 0,99 276 

    Рис. 10: Кривые точности / потерь обучения детектора лицевой маски COVID-19 демонстрируют высокую точность и незначительные признаки переобучения данных. Теперь мы готовы применить наши знания в области компьютерного зрения и глубокого обучения с использованием Python, OpenCV и TensorFlow / Keras для обнаружения маски лица.

    Как видите, на нашем тестовом наборе мы получаем точность ~ 99%.

    Глядя на , рис. 10, , мы видим небольшие признаки переобучения: потери при проверке ниже , чем потери при обучении (явление, которое я обсуждаю в этом сообщении в блоге).

    Учитывая эти результаты, мы надеемся, что наша модель будет хорошо обобщена на изображения за пределами нашего набора для обучения и тестирования.

    Реализация нашего детектора маски лица COVID-19 для изображений с OpenCV

    Теперь, когда наш детектор масок обучен, давайте узнаем, как мы можем:

    1. Загрузить входное изображение с диска
    2. Распознавать лица на изображении
    3. Примените наш детектор маски для лица, чтобы классифицировать лицо как with_mask или without_mask

    Откройте файл detect_mask_image.py в структуре каталогов, и приступим:

     # импортируем необходимые пакеты
    из tensorflow.keras.applications.mobilenet_v2 импорт preprocess_input
    из tensorflow.keras.preprocessing.image import img_to_array
    из tensorflow.keras.models import load_model
    импортировать numpy как np
    import argparse
    импорт cv2
    импорт ос 

    Для нашего сценария драйвера требуется три импорта TensorFlow / Keras для (1) загрузки нашей модели MaskNet и (2) предварительной обработки входного изображения.

    OpenCV требуется для отображения и обработки изображений.

    Следующим шагом является анализ аргументов командной строки:

     # построить парсер аргументов и проанализировать аргументы
    ap = argparse.ArgumentParser ()
    ap.add_argument ("- i", "--image", required = True,
    help = "путь к входному изображению")
    ap.add_argument ("- f", "--face", type = str,
    по умолчанию = "face_detector",
    help = "путь к каталогу моделей детектора лиц")
    ap.add_argument ("- m", "--model", type = str,
    по умолчанию = "mask_detector.model",
    help = "путь к обученной модели детектора маски лица")
    ap.add_argument ("- c", "--confidence", type = float, по умолчанию = 0.5,
    help = "минимальная вероятность отфильтровать слабые обнаружения")
    args = vars (ap.parse_args ()) 

    Наши четыре аргумента командной строки включают:

    • --image : путь к входному изображению, содержащему лица для вывода
    • --face : путь к каталогу модели детектора лиц (нам необходимо локализовать лица перед их классификацией)
    • --model : путь к модели детектора маски лица, которую мы обучили ранее в этом руководстве
    • --confidence : необязательный порог вероятности может быть установлен для отмены 50% для фильтрации слабых обнаружений лиц

    Затем мы загрузим модели классификатора лица и детектора лица:

     # загрузить нашу сериализованную модель детектора лица с диска
    print ("[INFO] загрузка модели детектора лиц... ")
    prototxtPath = os.path.sep.join ([args ["лицо"], "deploy.prototxt"])
    weightsPath = os.path.sep.join ([args ["лицо"],
    "res10_300x300_ssd_iter_140000.caffemodel"])
    net = cv2.dnn.readNet (prototxtPath, weightsPath)
    
    # загружаем модель детектора маски с диска
    print ("[INFO] загрузка модели детектора маски ...")
    model = load_model (args ["модель"]) 

    Теперь, когда наши модели глубокого обучения находятся в памяти, нашим следующим шагом будет загрузка и предварительная обработка входного изображения:

     # загружаем входное изображение с диска, клонируем его и захватываем пространственное изображение
    # Габаритные размеры
    изображение = cv2.imread (args ["изображение"])
    orig = image.copy ()
    (h, w) = image.shape [: 2]
    
    # построить каплю из изображения
    blob = cv2.dnn.blobFromImage (изображение, 1.0, (300, 300),
    (104.0, 177.0, 123.0))
    
    # передаем blob-объект по сети и получаем распознавание лиц
    print ("[ИНФОРМАЦИЯ] вычисление обнаружения лиц ...")
    net.setInput (большой двоичный объект)
    обнаружения = net.forward () 

    После загрузки нашего --image с диска (, строка 37, ), мы делаем копию и захватываем размеры кадра для будущего масштабирования и отображения ( строки 38 и 39, ).

    Предварительная обработка выполняется функцией blobFromImage OpenCV (, строки 42 и 43, ). Как показано в параметрах, мы изменяем размер до 300 × 300 пикселей и выполняем среднее вычитание.

    Строки 47 и 48 затем выполняют обнаружение лиц для локализации , где на изображении находятся все лица.

    Как только мы узнаем, где должно быть каждое лицо, мы убедимся, что оно соответствует порогу - уверенности , прежде чем извлекать лица. ИИ:

    .

     # перебрать обнаружение
    для i в диапазоне (0, обнаружений.форма [2]):
    # извлекаем уверенность (т.е. вероятность), связанную с
    # обнаружение
    уверенность = обнаружения [0, 0, i, 2]
    
    # отфильтровывать слабые обнаружения, обеспечивая уверенность
    # больше минимальной достоверности
    если уверенность> args ["уверенность"]:
    # вычислить (x, y) -координаты ограничивающего прямоугольника для
    # объект
    box = обнаружения [0, 0, i, 3: 7] * np.array ([w, h, w, h])
    (startX, startY, endX, endY) = box.astype ("int")
    
    # убедитесь, что ограничивающие рамки попадают в размеры
    # рама
    (startX, startY) = (max (0, startX), max (0, startY))
    (endX, endY) = (min (w - 1, endX), min (h - 1, endY)) 

    Здесь мы перебираем наши обнаружения и извлекаем доверительный интервал для сравнения с порогом - доверие ( строки 51-58 ).

    Затем мы вычисляем ограничивающее значение прямоугольника для конкретного лица и гарантируем, что прямоугольник попадает в границы изображения ( строки 61-67, ).

    Затем мы запустим рентабельность инвестиций лица с помощью нашей модели MaskNet:

     # извлекаем ROI лица, конвертируем его из канала BGR в канал RGB
    # упорядочивание, изменение размера до 224x224 и предварительная обработка
    лицо = изображение [начало: конецY, началоX: конецX]
    лицо = cv2.cvtColor (лицо, cv2.COLOR_BGR2RGB)
    лицо = cv2.resize (лицо, (224, 224))
    лицо = img_to_array (лицо)
    лицо = preprocess_input (лицо)
    лицо = нп.expand_dims (лицо, ось = 0)
    
    # пропустить лицо через модель, чтобы определить,
    # есть маска или нет
    (маска, без маски) = model.predict (лицо) [0] 

    В этом блоке мы:

    • Извлеките лицо ROI через нарезку NumPy ( строка 71 )
    • Предварительно обработайте рентабельность инвестиций так же, как и во время обучения ( Строки 72-76 )
    • Выполнить обнаружение маски для прогнозирования with_mask или without_mask ( Line 80 )

    Отсюда мы будем комментировать и отображать результат!

     # определить метку класса и цвет, который мы будем использовать для рисования
    # ограничивающая рамка и текст
    label = "Маска", если маска> без маски, иначе "Без маски"
    color = (0, 255, 0) if label == "Маска" else (0, 0, 255)
    
    # включить вероятность в метку
    label = "{}: {:.2f}% ". Формат (метка, макс (маска, без маски) * 100)
    
    # отображаем метку и прямоугольник ограничивающей рамки на выходе
    # Рамка
    cv2.putText (изображение, метка, (startX, startY - 10),
    cv2.FONT_HERSHEY_SIMPLEX, 0.45, цвет, 2)
    cv2.rectangle (изображение, (startX, startY), (endX, endY), color, 2)
    
    # показать выходное изображение
    cv2.imshow ("Вывод", изображение)
    cv2.waitKey (0) 

    Сначала мы определяем метку класса на основе вероятностей, возвращаемых моделью детектора маски ( строка 84 ), и назначаем связанный цвет для аннотации ( строка 85 ).Цвет будет «зеленым» для with_mask и «красным» для without_mask .

    Затем мы рисуем текст метки (включая класс и вероятность), а также прямоугольник ограничивающей рамки для лица, используя функции рисования OpenCV ( строки 92-94 ).

    После обработки всех обнаружений Строки 97 и 98 отображают выходное изображение .

    Обнаружение маски лица COVID-19 на изображениях с помощью OpenCV

    Давайте включим наш детектор масок COVID-19!

    Убедитесь, что вы использовали раздел «Загрузки» этого руководства для загрузки исходного кода, примеров изображений и предварительно обученного детектора маски лица.

    Оттуда откройте терминал и выполните следующую команду:

     $ python detect_mask_image.py - примеры изображений / example_01.png
    [ИНФОРМАЦИЯ] загрузка модели детектора лиц ...
    [ИНФОРМАЦИЯ] загрузка модели детектора маски для лица ...
    [INFO] вычисление обнаружения лиц ... 

    Рисунок 11: Этот человек носит маску для лица COVID-19 / Coronavirus на публике? Да, он есть, и наше компьютерное зрение и метод глубокого обучения с использованием Python, OpenCV и TensorFlow / Keras позволили автоматически обнаруживать присутствие маски.(Источник изображения)

    Как видите, наш детектор маски лица правильно пометил это изображение как Маска .

    Давайте попробуем другое изображение, это изображение человека , а не в маске:

     $ python detect_mask_image.py - примеры изображений / example_02.png
    [ИНФОРМАЦИЯ] загрузка модели детектора лиц ...
    [ИНФОРМАЦИЯ] загрузка модели детектора маски для лица ...
    [INFO] вычисление обнаружения лиц ... 

    Рисунок 12: Ой ой. На этой фотографии я не ношу маску для лица от COVID-19.Используя Python, OpenCV и TensorFlow / Keras, наша система правильно определила «Без маски» для моего лица.

    Наш детектор маски лица правильно предсказал Нет маски .

    Давайте попробуем одно окончательное изображение:

     $ python detect_mask_image.py - примеры изображений / example_03.png
    [ИНФОРМАЦИЯ] загрузка модели детектора лиц ...
    [ИНФОРМАЦИЯ] загрузка модели детектора маски для лица ...
    [INFO] вычисление обнаружения лиц ... 

    Рисунок 13: Что происходит в этом результате? Почему женщина на переднем плане не определяется как одетая в маску от COVID-19? Наш детектор масок COVID-19, созданный с использованием компьютерного зрения и глубокого обучения с использованием Python, OpenCV и TensorFlow / Keras, подвел нас? (Источник изображения)

    Что здесь произошло?

    Почему мы смогли обнаружить лиц двух джентльменов на заднем плане и правильно классифицировать маску / без маски для них, но мы не смогли обнаружить женщину на переднем плане?

    Я обсуждаю причину этой проблемы в разделе «Предложения по дальнейшему улучшению» далее в этом руководстве, , но суть в том, что мы слишком полагаемся на на наш двухэтапный процесс.

    Имейте в виду, что для того, чтобы определить, носит ли человек маску или нет, нам сначала нужно выполнить обнаружение лица — , если лицо не обнаружено (что и произошло на этом изображении), тогда детектор маски не может применяться!

    Причина, по которой мы не можем обнаружить лицо на переднем плане, состоит в следующем:

    1. Он слишком закрыт маской
    2. Набор данных, использованный для обучения детектора лица не содержал примеров изображений людей в масках для лица

    Следовательно, если большая часть лица закрыта, наш детектор лица, скорее всего, не могут обнаружить лицо.

    Я снова обсуждаю эту проблему более подробно, в том числе о том, как повысить точность нашего детектора маски, в разделе «Предложения по дальнейшему улучшению» этого руководства.

    Реализация нашего детектора маски COVID-19 в видеопотоках в реальном времени с помощью OpenCV

    На данный момент мы знаем, что можем применить обнаружение маски лица к статическим изображениям — , но как насчет видеопотоков в реальном времени?

    Может ли наш детектор масок COVID-19 работать в режиме реального времени?

    Давай узнаем.

    Откройте файл detect_mask_video.py в структуре каталогов и вставьте следующий код:

     # импортируем необходимые пакеты
    из tensorflow.keras.applications.mobilenet_v2 импорт preprocess_input
    из tensorflow.keras.preprocessing.image import img_to_array
    из tensorflow.keras.models import load_model
    из imutils.video импорт VideoStream
    импортировать numpy как np
    import argparse
    импорт imutils
    время импорта
    импорт cv2
    импорт ос 

    Алгоритм для этого скрипта тот же, но он собран таким образом, чтобы можно было обрабатывать каждый кадр потока веб-камеры.

    Таким образом, единственная разница, когда дело доходит до импорта, состоит в том, что нам нужен класс VideoStream и время . И то и другое поможет нам работать с потоком. Мы также воспользуемся преимуществом imutils для его метода изменения размера с учетом аспектов.

    Наша логика обнаружения лица / предсказания маски для этого скрипта находится в функции detect_and_predict_mask :

     def detect_and_predict_mask (кадр, faceNet, maskNet):
    # возьмите размеры кадра и затем создайте каплю
    # от него
    (h, w) = рамка.форма [: 2]
    blob = cv2.dnn.blobFromImage (кадр, 1.0, (300, 300),
    (104.0, 177.0, 123.0))
    
    # передаем blob-объект по сети и получаем распознавание лиц
    faceNet.setInput (большой двоичный объект)
    обнаружения = faceNet.forward ()
    
    # инициализируем наш список лиц, их соответствующие местоположения,
    # и список прогнозов из нашей сети масок
    лица = []
    locs = []
    preds = [] 

    Определив здесь эту вспомогательную функцию, наш цикл обработки кадров будет немного легче читать позже.

    Эта функция обнаруживает лица, а затем применяет наш классификатор маски лица к каждой области интереса лица. Такая функция объединяет наш код — ее можно даже переместить в отдельный файл Python, если вы того пожелаете.

    Наша функция detect_and_predict_mask принимает три параметра:

    • кадр : кадр из нашего потока
    • faceNet : модель, используемая для определения того, где на изображении находятся лица.
    • maskNet : Наша модель классификатора масок COVID-19

    Внутри мы создаем blob , определяем лица и инициализируем списки, два из которых функция настроена на возврат.Эти списки включают наши лица, (то есть области интереса), местоположения, (местоположения лиц) и прогноза, (список прогнозов по маске / без маски).

    Отсюда мы переберем лицо обнаружения :

     # перебрать обнаружение
    для i в диапазоне (0, Detections.shape [2]):
    # извлекаем уверенность (т.е. вероятность), связанную с
    # обнаружение
    уверенность = обнаружения [0, 0, i, 2]
    
    # отфильтровывать слабые обнаружения, обеспечивая уверенность
    # больше минимальной достоверности
    если уверенность> args ["уверенность"]:
    # вычислить (x, y) -координаты ограничивающего прямоугольника для
    # объект
    коробка = обнаружения [0, 0, i, 3: 7] * np.массив ([ш, в, ш, в])
    (startX, startY, endX, endY) = box.astype ("int")
    
    # убедитесь, что ограничивающие рамки попадают в размеры
    # рама
    (startX, startY) = (max (0, startX), max (0, startY))
    (endX, endY) = (min (w - 1, endX), min (h - 1, endY)) 

    Внутри цикла мы отфильтровываем слабые обнаружения ( строки 34–38, ) и извлекаем ограничивающие прямоугольники, гарантируя, что координаты ограничивающего прямоугольника не выходят за пределы изображения ( строки 41-47, ).

    Затем мы добавим ROI лица в два из наших соответствующих списков:

     # извлекаем ROI лица, конвертируем его из BGR в канал RGB
    # упорядочивание, изменение размера до 224x224 и предварительная обработка
    face = frame [начало: конецY, началоX: конецX]
    лицо = cv2.cvtColor (лицо, cv2.COLOR_BGR2RGB)
    лицо = cv2.resize (лицо, (224, 224))
    лицо = img_to_array (лицо)
    лицо = preprocess_input (лицо)
    
    # добавляем грань и ограничивающие рамки к соответствующим
    # списков
    Faces.append (лицо)
    locs.append ((startX, startY, endX, endY)) 

    После извлечения областей интереса лица и предварительной обработки ( строки 51-56, ) мы добавляем области интереса лица и ограничивающие рамки в соответствующие списки.

    Теперь мы готовы пропустить наши лица через наш предсказатель маски:

     # делать прогнозы только если было обнаружено хотя бы одно лицо
    если len (лица)> 0:
    # для более быстрого вывода мы сделаем пакетные прогнозы для * всех *
    # лиц одновременно, а не одно за другим
    # в приведенном выше цикле `for`
    лица = нп.массив (лица, dtype = "float32")
    preds = maskNet.predict (лица, batch_size = 32)
    
    # возвращаем набор из двух местоположений лиц и их соответствующих
    # место
    return (locs, preds) 

    Логика здесь построена для скорости. Сначала мы проверяем, было ли обнаружено хотя бы одно лицо (, строка 63, ). Если нет, мы вернем пустых пред. .

    2020-06-10 Обновление: Эта запись в блоге теперь обновлена ​​строкой для преобразования лиц в 32-битный массив NumPy с плавающей запятой.Кроме того, была удалена строка , строка 61, из предыдущего блока (ранее добавлялся ненужный размер партии). Комбинация этих двух изменений теперь исправляет ошибку , которая препятствовала возврату нескольких preds из вывода. С помощью исправления несколько лиц на одном изображении правильно распознаются как имеющие маску или не имеющие маски.

    Во-вторых, мы выполняем логический вывод для нашей всей партии из граней в кадре, чтобы наш конвейер работал быстрее (, строка 68, ).Было бы бессмысленно писать еще один цикл, чтобы делать прогнозы для каждого лица индивидуально из-за накладных расходов (особенно если вы используете графический процессор, который требует много накладных расходов на вашу системную шину). Более эффективно выполнять прогнозирование в пакетном режиме.

    Строка 72 возвращает наши местоположения ограничивающего прямоугольника лица и соответствующие прогнозы маски / отсутствия маски вызывающему.

    Затем мы определим аргументы командной строки:

     # построить парсер аргументов и проанализировать аргументы
    ap = argparse.ArgumentParser ()
    ap.add_argument ("- f", "--face", type = str,
    по умолчанию = "face_detector",
    help = "путь к каталогу моделей детектора лиц")
    ap.add_argument ("- m", "--model", type = str,
    по умолчанию = "mask_detector.model",
    help = "путь к обученной модели детектора маски лица")
    ap.add_argument ("- c", "--confidence", type = float, по умолчанию = 0,5,
    help = "минимальная вероятность отфильтровать слабые обнаружения")
    args = vars (ap.parse_args ()) 

    Наши аргументы командной строки включают:

    • --face : путь к каталогу детектора лиц
    • --model : Путь к нашему обученному классификатору масок
    • --confidence : минимальный порог вероятности для фильтрации слабого обнаружения лиц

    С нашим импортом, функцией удобства и командной строкой args , готовыми к работе, у нас есть только несколько инициализаций, которые нужно обработать, прежде чем мы перейдем к циклу:

     # загрузить нашу сериализованную модель детектора лиц с диска
    print ("[INFO] загрузка модели детектора лиц... ")
    prototxtPath = os.path.sep.join ([args ["лицо"], "deploy.prototxt"])
    weightsPath = os.path.sep.join ([args ["лицо"],
    "res10_300x300_ssd_iter_140000.caffemodel"])
    faceNet = cv2.dnn.readNet (prototxtPath, weightsPath)
    
    # загружаем модель детектора маски с диска
    print ("[INFO] загрузка модели детектора маски ...")
    maskNet = load_model (args ["модель"])
    
    # инициализируем видеопоток и даем возможность сенсору камеры прогреться
    print ("[ИНФОРМАЦИЯ] запускает видеопоток ...")
    vs = VideoStream (src = 0) .start ()
    time.sleep (2.0) 

    Здесь мы инициализировали наш:

    • Детектор лиц
    • Детектор маски COVID-19
    • Видеопоток веб-камеры

    Давайте перейдем к циклическому обходу кадров в потоке:

     # перебирать кадры из видеопотока
    в то время как True:
    # взять кадр из потокового видеопотока и изменить его размер
    # иметь максимальную ширину 400 пикселей
    frame = vs.read ()
    frame = imutils.resize (рамка, ширина = 400)
    
    # обнаруживать лица в кадре и определять, надеты ли они
    # маска для лица или нет
    (locs, preds) = detect_and_predict_mask (frame, faceNet, maskNet) 

    Начинаем перебирать кадры на Строка 103 .Внутри мы берем кадр из потока и изменяем его размер ( строки 106 и 107, ).

    С этого момента мы начали использовать нашу удобную утилиту; Линия 111 определяет и предсказывает, носят ли люди маски или нет.

    Давайте обработаем (то есть аннотируем) результаты обнаружения маски для лица COVID-19:

     # перебрать обнаруженные местоположения лиц и их соответствующие
    # место
    for (box, pred) в zip (locs, preds):
    # распаковываем ограничивающую рамку и прогнозы
    (startX, startY, endX, endY) = поле
    (маска, без маски) = пред
    
    # определить метку класса и цвет, который мы будем использовать для рисования
    # ограничивающая рамка и текст
    label = "Маска", если маска> без маски, иначе "Без маски"
    color = (0, 255, 0) if label == "Маска" else (0, 0, 255)
    
    # включить вероятность в метку
    label = "{}: {:.2f}% ". Формат (метка, макс (маска, без маски) * 100)
    
    # отображаем метку и прямоугольник ограничивающей рамки на выходе
    # Рамка
    cv2.putText (кадр, метка, (startX, startY - 10),
    cv2.FONT_HERSHEY_SIMPLEX, 0.45, цвет, 2)
    cv2.rectangle (frame, (startX, startY), (endX, endY), color, 2) 

    Внутри нашего цикла результатов прогноза (начиная с , строка 115 ) мы:

    • Распаковка ограничивающей рамки лица и прогнозирование маски / отсутствия маски (, строки 117 и 118, )
    • Определите этикетку и цвет ( строки 122-126 )
    • Добавление аннотации к этикетке и ограничивающей рамке грани ( строки 130-132 )

    Наконец, мы отображаем результаты и выполняем очистку:

     # показать выходной кадр
    cv2.imshow ("Рамка", рамка)
    ключ = cv2.waitKey (1) & 0xFF
    
    # если была нажата клавиша `q`, выйти из цикла
    если ключ == ord ("q"):
    перемена
    
    # немного почистить
    cv2.destroyAllWindows ()
    против остановки () 

    После отображения кадра мы фиксируем нажатия клавиш . Если пользователь нажимает q (выход), мы выводим из цикла и выполняем уборку.

    Отличная работа по реализации детектора маски лица в реальном времени с помощью Python, OpenCV и глубокого обучения с помощью TensorFlow / Keras!

    Обнаружение масок для лица COVID-19 с помощью OpenCV в режиме реального времени

    Чтобы увидеть наш детектор маски для лица COVID-19 в реальном времени в действии, убедитесь, что вы используете раздел «Загрузки» этого руководства, чтобы загрузить исходный код и предварительно обученную модель детектора маски лица.

    Затем вы можете запустить детектор маски в видеопотоках в реальном времени, используя следующую команду:

     $ python detect_mask_video.py
    [ИНФОРМАЦИЯ] загрузка модели детектора лиц ...
    [ИНФОРМАЦИЯ] загрузка модели детектора маски для лица ...
    [INFO] запуск видеопотока ... 

    Здесь вы можете видеть, что наш детектор маски лица может работать в режиме реального времени (и в его прогнозах также правильных ).

    Предложения по улучшению

    Как видно из приведенных выше разделов результатов, наш детектор маски для лица работает достаточно хорошо, несмотря на:

    1. Имея ограниченные данные обучения
    2. Класс with_mask создается искусственно (см. Раздел «Как был создан наш набор данных маски лица?» Выше, ).

    Для дальнейшего улучшения нашей модели обнаружения маски лица, , вы должны собрать реальных изображений (а не искусственно созданных изображений) людей в масках.

    Хотя в данном случае наш искусственный набор данных сработал, ничто не заменит настоящие.

    Во-вторых, вам также следует собрать изображения лиц, которые могут «сбить с толку» наш классификатор и заставить его думать, что человек носит маску, хотя на самом деле это не - потенциальные примеры включают рубашки, обернутые вокруг лиц, бандану вокруг рта и т. Д.

    Все это примеры того, что может быть принят за лицевую маску нашим детектором лицевой маски.

    Наконец, вам следует подумать об обучении специального двухклассового детектора объектов , а не простого классификатора изображений.

    Наш текущий метод определения того, носит ли человек маску или нет, представляет собой двухэтапный процесс:

    1. Шаг № 1: Выполните обнаружение лица
    2. Шаг № 2: Примените наш детектор маски лица к каждому лицу

    Проблема с этим подходом заключается в том, что маска для лица по определению скрывает часть лицо.Если часть лица скрыта, лицо не может быть обнаружено, , и, следовательно, детектор маски лица не будет применяться.

    Чтобы обойти эту проблему, вы должны обучить двухклассовый детектор объектов, который состоит из класса with_mask и класса without_mask .

    Объединение детектора объектов с выделенным классом with_mask позволит улучшить модель в двух отношениях.

    Во-первых, детектор объектов сможет естественным образом обнаруживать людей в масках, которые в противном случае детектор лиц не смог бы обнаружить из-за того, что лицо слишком сильно закрыто.

    Во-вторых, этот подход сокращает наш конвейер компьютерного зрения до одного шага - вместо того, чтобы применять обнаружение лиц и , а затем нашу модель детектора маски лица, все, что нам нужно сделать, это применить детектор объектов, чтобы дать нам ограничивающие рамки для людей и with_mask и без_маски за один прямой проход сети.

    Такой метод не только более эффективен с точки зрения вычислений, но и является более «элегантным» и сквозным.

    Что дальше?

    Рисунок 14: Если вы хотите научиться обучать собственные модели глубокого обучения на собственных наборах данных, возьмите копию Deep Learning for Computer Vision with Python и начните учиться.Моя команда и я будем рядом на каждом этапе пути, чтобы вы могли выполнить пример кода и получить ответы на свои вопросы.

    В сегодняшнем руководстве мы рассмотрели обучение детектора маски лица. Если вас вдохновляет создание собственных проектов глубокого обучения, я бы порекомендовал прочитать мою книгу Deep Learning for Computer Vision with Python.

    Я написал свою книгу так, чтобы она идеально сочетала теорию с реализацией, гарантируя, что вы правильно усвоите:

    • Основы и теория глубокого обучения без излишней математической ерунды. Я представляю основные уравнения и подкрепляю их пошаговыми руководствами по коду, которые вы можете реализовать и легко понять. Чтобы понять эту книгу, вам не нужна степень по высшей математике.
    • Как реализовать собственную архитектуру нейронной сети. Вы не только узнаете, как реализовать самые современные архитектуры, включая ResNet, SqueezeNet и т. Д., Но вы также узнаете , как создавать свои собственные CNN.
    • Как обучать CNN на вашем компьютере. собственные наборы данных. Большинство руководств по глубокому обучению не учит, как работать с собственными наборами данных. Мои. Вы будете обучать CNN на ваших собственных наборах данных в кратчайшие сроки.
    • Обнаружение объектов (более быстрые R-CNN, детекторы одиночного выстрела и RetinaNet) и сегментация экземпляров (Mask R-CNN). Используйте эти главы для создания собственных детекторов объектов и сетей сегментации.

    Вы также найдете ответы и проверенные рецепты кода по адресу:

    • Создание и подготовка собственных пользовательских наборов данных изображений для классификации изображений, обнаружения объектов и сегментации
    • Практические руководства (с большим количеством кода) , которые не только демонстрируют вам алгоритмы , лежащие в основе глубокого обучения для компьютерного зрения но и их реализации , а также
    • Применяйте мои советы, предложения и передовые методы в действии, обеспечивая максимальную точность ваших моделей

    Моим читателям нравится мой серьезный стиль обучения , который гарантированно поможет вы овладеваете глубоким обучением для понимания изображений и визуального распознавания.

    Если вы готовы погрузиться, просто нажмите здесь. А если вы еще не уверены, просто возьмите мой бесплатный PDF с примерами глав и всем оглавлением, заполнив форму в правом нижнем углу этой страницы.

    Сводка

    В этом руководстве вы узнали, как создать детектор маски лица COVID-19 с использованием OpenCV, Keras / TensorFlow и глубокого обучения.

    Чтобы создать наш детектор масок, мы обучили двухклассную модель людей в масках и людей без масок.

    Мы настроили MobileNetV2 на нашем наборе данных mask / no mask и получили классификатор с точностью ~ 99%.

    Затем мы взяли этот классификатор маски лица и применили его к изображениям и видеопотокам в реальном времени по:

    1. Обнаружение лиц на изображениях / видео
    2. Извлечение каждого отдельного лица
    3. Применение классификатора маски лица

    Наш детектор маски лица является точным, и, поскольку мы использовали архитектуру MobileNetV2, он также эффективен с точки зрения вычислений , что упрощает задачу развернуть модель во встроенных системах (Raspberry Pi, Google Coral, Jetosn, Nano и т. д.)).

    Надеюсь, вам понравился этот урок!

    Чтобы загрузить исходный код к этому сообщению (включая предварительно обученную модель детектора маски COVID-19), просто введите свой адрес электронной почты в форму ниже!

    Загрузите исходный код и БЕСПЛАТНОЕ 17-страничное руководство по ресурсам

    Введите свой адрес электронной почты ниже, чтобы получить ZIP-архив с кодом и БЕСПЛАТНОЕ 17-страничное руководство по компьютерному зрению, OpenCV и глубокому обучению . Внутри вы найдете мои тщательно отобранные учебники, книги, курсы и библиотеки, которые помогут вам освоить CV и DL!

    Маска R-CNN с OpenCV - PyImageSearch

    Щелкните здесь, чтобы загрузить исходный код этого сообщения

    В этом руководстве вы узнаете, как использовать Mask R-CNN с OpenCV.

    Используя Mask R-CNN, вы можете автоматически сегментировать и создавать пиксельные маски для каждого объекта изображения. Мы будем применять Mask R-CNN как к изображениям, так и к видеопотокам.

    В сообщении в блоге на прошлой неделе вы узнали, как использовать детектор объектов YOLO для обнаружения объектов на изображениях. Детекторы объектов, такие как YOLO, Faster R-CNN и Single Shot Detectors (SSD), генерируют четыре набора координат (x, y) , которые представляют собой ограничивающую рамку объекта на изображении.

    Получение ограничивающих прямоугольников объекта - хорошее начало, но сам ограничивающий прямоугольник ничего не говорит нам о (1) какие пиксели принадлежат объекту переднего плана и (2) какие пиксели принадлежат фону.

    Напрашивается вопрос:

    Можно ли сгенерировать маску для каждого объекта на нашем изображении, тем самым позволяя нам сегментировать объект переднего плана от фона?

    Возможен ли вообще такой метод?

    Ответ - да - нам просто нужно выполнить сегментацию экземпляров с использованием архитектуры Mask R-CNN.

    Чтобы узнать, как применять Mask R-CNN с OpenCV как к изображениям, так и к видеопотокам, просто продолжайте читать!

    Маска R-CNN с OpenCV

    В первой части этого руководства мы обсудим разницу между классификацией изображений , , обнаружением объектов , сегментацией экземпляров , семантической сегментацией и .

    Оттуда мы кратко рассмотрим архитектуру Mask R-CNN и ее связи с Faster R-CNN.

    Затем я покажу вам, как применить Mask R-CNN с OpenCV как к изображениям, так и к видеопотокам.

    Приступим!

    Сегментация экземпляра и семантическая сегментация

    Рисунок 1: Классификация изображений ( вверху слева, ), обнаружение объекта ( вверху справа, ), семантическая сегментация ( внизу слева, ) и сегментация экземпляра ( внизу справа, ).В этом руководстве мы будем выполнять сегментацию экземпляров с помощью Mask R-CNN. (источник)

    Объяснение различий между традиционной классификацией изображений, обнаружением объектов, семантической сегментацией и сегментацией экземпляров лучше всего проводить визуально.

    При выполнении традиционной классификации изображений наша цель состоит в том, чтобы предсказать набор меток для характеристики содержимого входного изображения ( вверху слева, ).

    Обнаружение объектов основано на классификации изображений, но на этот раз позволяет нам локализовать каждый объект на изображении.Теперь это изображение характеризуется:

    1. Граничная рамка (x, y) -координаты для каждого объекта
    2. Связанная метка класса для каждого ограничивающего прямоугольника

    Пример семантической сегментации можно увидеть в внизу слева . Алгоритмы семантической сегментации требуют, чтобы мы связали каждый пиксель во входном изображении с меткой класса (включая метку класса для фона).

    Обратите пристальное внимание на визуализацию нашей семантической сегментации - обратите внимание, что каждый объект действительно сегментирован, но каждый объект «куб» имеет одинаковый цвет.

    Хотя алгоритмы семантической сегментации способны маркировать каждый объект на изображении, они не могут различать два объекта одного и того же класса.

    Такое поведение особенно проблематично, если два объекта одного класса частично перекрывают друг друга - мы не знаем, где кончаются границы одного объекта и начинается следующий, как показано двумя фиолетовыми кубами, мы не можем сказать, где находится один куб начинается, а другой заканчивается.

    Сегментация экземпляра алгоритмы, с другой стороны, вычисляют пиксельную маску для каждого объекта в изображении, даже если объекты относятся к одной и той же метке класса ( внизу справа ).Здесь вы можете видеть, что каждый из кубов имеет свой уникальный цвет, что означает, что наш алгоритм сегментации экземпляров не только локализовал каждый отдельный куб, но и предсказал их границы.

    Архитектура Mask R-CNN, которую мы будем обсуждать в этом руководстве, является примером алгоритма сегментации экземпляра .

    Что такое маска R-CNN?

    Алгоритм Mask R-CNN был представлен He et al. в своей статье 2017 года, Mask R-CNN .

    Mask R-CNN основывается на предыдущей работе по обнаружению объектов R-CNN (2013), Fast R-CNN (2015) и Faster R-CNN (2015), выполненных Girshick et al.

    Чтобы понять маску R-CNN, давайте кратко рассмотрим варианты R-CNN, начиная с исходного R-CNN:

    Рисунок 2: Исходная архитектура R-CNN (источник: Girshick et al, 2013)

    Исходный алгоритм R-CNN представляет собой четырехэтапный процесс:

    • Шаг № 1: Введите изображение в сеть.
    • Шаг № 2: Извлечь предложения области (т. Е. Области изображения, которые потенциально могут содержать объекты) с помощью такого алгоритма, как выборочный поиск.
    • Шаг № 3: Используйте трансферное обучение, в частности, извлечение признаков, чтобы вычислить признаки для каждого предложения (что фактически является ROI) с помощью предварительно обученной CNN.
    • Шаг № 4: Классифицируйте каждое предложение, используя извлеченные признаки с помощью машины опорных векторов (SVM).

    Причина, по которой этот метод работает, заключается в надежных, отличительных характеристиках, изученных CNN.

    Однако проблема метода R-CNN в том, что он невероятно медленный. Более того, мы фактически не учимся локализации с помощью глубокой нейронной сети, мы просто создаем более продвинутый детектор HOG + Linear SVM.

    Чтобы улучшить исходный R-CNN, Girshick et al. опубликовал алгоритм Fast R-CNN :

    Рисунок 3: Архитектура Fast R-CNN (источник: Girshick et al., 2015).

    Подобно исходному R-CNN, Fast R-CNN по-прежнему использует выборочный поиск для получения предложений по регионам; тем не менее, новый вклад из статьи - Модуль объединения областей интереса (ROI) .

    ROI Pooling работает путем извлечения окна фиксированного размера из карты объектов и использования этих функций для получения окончательной метки класса и ограничивающей рамки. Основным преимуществом здесь является то, что теперь сеть эффективно обучается от начала до конца:

    1. Мы вводим изображение и связанные с ним ограничивающие рамки.
    2. Извлеките карту функций
    3. Примените объединение ROI и получите вектор функции ROI
    4. И, наконец, используйте два набора полностью связанных слоев для получения (1) прогнозов меток классов и (2) местоположений ограничивающих рамок для каждого предложения.

    В то время как сеть теперь может обучаться от начала до конца, производительность при выводе (т. Е. Прогнозировании) резко снизилась из-за зависимости от выборочного поиска.

    Чтобы сделать архитектуру R-CNN еще на быстрее , нам необходимо включить региональное предложение непосредственно в R-CNN:

    Рисунок 4: Архитектура Faster R-CNN (источник: Girshick et al., 2015)

    Статья Faster R-CNN Гиршика и др. представила сеть предложений региона (RPN) , которая вносит предложение региона непосредственно в архитектуру, устраняя необходимость в алгоритме выборочного поиска.

    В целом, архитектура Faster R-CNN способна работать со скоростью примерно 7-10 кадров в секунду, что является огромным шагом на пути к тому, чтобы сделать обнаружение объектов в реальном времени с помощью глубокого обучения реальностью.

    Алгоритм Mask R-CNN основан на архитектуре Faster R-CNN с двумя основными элементами:

    1. Замена модуля ROI Pooling на более точный модуль ROI Align
    2. Вставка дополнительной ветви из модуля выравнивания области интереса

    Эта дополнительная ветвь принимает вывод ROI Align и затем подает его на два уровня CONV.

    Выходными данными слоев CONV является сама маска.

    Мы можем визуализировать архитектуру Mask R-CNN на следующем рисунке:

    Рисунок 5: Работа Mask R-CNN He et al. заменяет модуль опроса ROI более точным модулем выравнивания ROI. Выходные данные модуля ROI затем передаются на два уровня CONV. Результатом слоев CONV является сама маска.

    Обратите внимание на ответвление двух слоев CONV, выходящих из модуля ROI Align - это то место, где фактически генерируется наша маска.

    Как мы знаем, архитектуры Faster R-CNN / Mask R-CNN используют сеть предложений регионов (RPN) для создания областей изображения, которые потенциально содержат объект.

    Каждая из этих областей ранжируется на основе их «оценки объектности» (т.е. насколько вероятно, что данная область потенциально может содержать объект), а затем сохраняются N наиболее уверенных областей объектности.

    В оригинальной публикации Faster R-CNN Girshick et al.установите N = 2,000 , но на практике мы можем обойтись гораздо меньшим N, например, N = {10, 100, 200, 300} , и все равно получить хорошие результаты.

    He et al. установите в их публикации N = 300 , это значение, которое мы также будем использовать здесь.

    Каждая из 300 выбранных ROI проходит через три параллельных ветви сети:

    1. Предсказание метки
    2. Прогнозирование границы
    3. Предсказание маски

    На рисунке 5 выше показаны эти ветви.

    Во время прогнозирования каждая из 300 областей интереса проходит немаксимальное подавление, и 100 верхних полей обнаружения сохраняются, в результате получается 4D тензор 100 x L x 15 x 15 , где L - количество меток классов в набор данных, а 15 x 15 - это размер каждой из масок L .

    Mask R-CNN, которую мы используем сегодня, была обучена на наборе данных COCO, который имеет L = 90 классов, таким образом, результирующий размер тома из модуля маски Mask R CNN составляет 100 x 90 x 15 x 15.

    Для визуализации процесса Mask R-CNN взгляните на рисунок ниже:

    Рис. 6: Визуализация Mask R-CNN, создающая маску 15 x 15 , размер маски изменен до исходных размеров изображения, а затем, наконец, наложение маски на исходное изображение. (источник: Deep Learning for Computer Vision with Python , ImageNet Bundle)

    Здесь вы можете видеть, что мы начинаем с нашего входного изображения и пропускаем его через нашу сеть Mask R-CNN, чтобы получить предсказание маски.

    Предполагаемая маска составляет всего 15 x 15 пикселей, поэтому мы возвращаем размер маски к исходным размерам входного изображения.

    Наконец, маска с измененным размером может быть наложена на исходное входное изображение. Для более подробного обсуждения того, как работает Mask R-CNN, обязательно обратитесь к:

    1. Исходная публикация Mask R-CNN He et al.
    2. Моя книга, Deep Learning for Computer Vision with Python , где я более подробно обсуждаю Mask R-CNN, , включая то, как обучать ваши собственные Mask R-CNN с нуля на ваших собственных данных.

    Структура проекта

    Наш проект сегодня состоит из двух скриптов, но есть еще несколько важных файлов.

    Я организовал проект следующим образом (как показано в выводе команды tree непосредственно в терминале):

     $ дерево
    .
    ├── маска-ркнн-кокос
    │ ├── colors.txt
    │ ├── frozen_inference_graph.pb
    │ ├── mask_rcnn_inception_v2_coco_2018_01_28.pbtxt
    │ └── object_detection_classes_coco.txt
    ├── изображения
    │ ├── example_01.jpg
    │ ├── example_02.jpg
    │ └── example_03.jpg
    ├── видео
    │ ├──
    ├── выход
    │ ├──
    ├── mask_rcnn.py
    └── mask_rcnn_video.py
    
    4 каталога, 9 файлов
     

    Наш проект состоит из четырех каталогов:

    • mask-rcnn-coco / : Файлы модели Mask R-CNN. Всего четыре файла:
      • frozen_inference_graph.pb : Веса модели Mask R-CNN. Веса предварительно обучены на наборе данных COCO.
      • mask_rcnn_inception_v2_coco_2018_01_28.pbtxt : Конфигурация модели Mask R-CNN. Если вы хотите построить и обучить свою собственную модель на собственных аннотированных данных, см. Deep Learning for Computer Vision with Python.
      • object_detection_classes_coco.txt : В этом текстовом файле перечислены все 90 классов, по одному в каждой строке. Откройте его в текстовом редакторе, чтобы увидеть, какие объекты наша модель может распознать.
      • colors.txt : этот текстовый файл содержит шесть цветов, которые случайным образом назначаются объектам, найденным на изображении.
    • изображений / : Я предоставил три тестовых изображения в «Загрузки» . Не стесняйтесь добавлять свои собственные изображения для тестирования.
    • видео / : это пустой каталог. На самом деле я тестировал большие видео, которые я скопировал с YouTube (ссылки ниже, чуть выше раздела «Сводка» ). Вместо того, чтобы предоставлять действительно большой zip-архив, я предлагаю вам найти на YouTube несколько видеороликов для загрузки и тестирования.Или, может быть, сделайте несколько видеороликов на свой мобильный телефон, а затем вернитесь к компьютеру и используйте их!
    • output / : Еще один пустой каталог, в котором будут храниться обработанные видео (при условии, что вы установили флаг аргумента командной строки для вывода в этот каталог).

    Сегодня мы рассмотрим два скрипта:

    • mask_rcnn.py : этот скрипт выполнит сегментацию экземпляра и применит маску к изображению, чтобы вы могли видеть, где, вплоть до пикселя, маска R-CNN считает объект.
    • mask_rcnn_video.py : Этот сценарий обработки видео использует ту же маску R-CNN и применяет модель к каждому кадру видеофайла. Затем сценарий записывает выходной кадр обратно в видеофайл на диске.

    OpenCV и маска R-CNN в изображениях

    Теперь, когда мы рассмотрели, как работают Mask R-CNN, давайте поработаем руками немного кода Python.

    Прежде чем мы начнем, убедитесь, что в вашей среде Python установлен OpenCV 3.4.2 / 3.4.3 или выше. Вы можете следовать одному из моих руководств по установке OpenCV, чтобы обновить / установить OpenCV.Если вы хотите начать работу за 5 минут или меньше, вы можете рассмотреть возможность установки OpenCV с помощью pip. Если у вас есть другие требования, вы можете скомпилировать OpenCV из исходного кода.

    Убедитесь, что вы использовали раздел «Загрузки» этого сообщения в блоге, чтобы загрузить исходный код, обученную маску R-CNN и примеры изображений.

    Оттуда откройте файл mask_rcnn.py и вставьте следующий код:

     # импортируем необходимые пакеты
    импортировать numpy как np
    import argparse
    случайный импорт
    время импорта
    импорт cv2
    импорт ОС
     

    Сначала мы импортируем наши необходимые пакеты на , строки 2-7 .В частности, мы импортируем NumPy и OpenCV. Все остальное поставляется с большинством установок Python.

    Оттуда мы проанализируем аргументы командной строки:

     # построить аргумент, синтаксический анализ и анализ аргументов
    ap = argparse.ArgumentParser ()
    ap.add_argument ("- i", "--image", required = True,
    help = "путь к входному изображению")
    ap.add_argument ("- m", "--mask-rcnn", required = True,
    help = "базовый путь к каталогу mask-rcnn")
    ap.add_argument ("- v", "--visualize", type = int, по умолчанию = 0,
    help = "собираемся ли мы визуализировать каждый экземпляр")
    ap.add_argument ("- c", "--confidence", type = float, по умолчанию = 0,5,
    help = "минимальная вероятность отфильтровать слабые обнаружения")
    ap.add_argument ("- t", "--threshold", type = float, по умолчанию = 0,3,
    help = "минимальный порог для пиксельной сегментации маски")
    args = vars (ap.parse_args ())
     

    Наш сценарий требует, чтобы флаги и параметры аргументов командной строки передавались во время выполнения в нашем терминале. Наши аргументы анализируются в строках 10-21 , где первые два из следующих обязательны, а остальные необязательны:

    • --image : путь к нашему входному изображению.
    • --mask-rnn : Базовый путь к файлам Mask R-CNN.
    • --visualize (необязательно): положительное значение указывает, что мы хотим визуализировать, как мы извлекли замаскированную область на нашем экране. В любом случае мы отобразим окончательный результат на экране.
    • --confidence (необязательно): вы можете переопределить значение вероятности 0,5 , которое служит для фильтрации слабых обнаружений.
    • --threshold (необязательно): мы будем создавать двоичную маску для каждого объекта на изображении, и это пороговое значение поможет нам отфильтровать слабые предсказания маски.Я обнаружил, что значение по умолчанию 0,3 работает очень хорошо.

    Теперь, когда наши аргументы командной строки сохранены в словаре args , давайте загрузим наши метки и цвета:

     # загрузить метки классов COCO, на которых была обучена наша маска R-CNN
    labelPath = os.path.sep.join ([args ["mask_rcnn"],
    "object_detection_classes_coco.txt"])
    LABELS = open (labelsPath) .read (). Strip (). Split ("\ n")
    
    # загружаем набор цветов, которые будут использоваться при визуализации заданного
    # instance segmentation
    colorsPath = os.path.sep.join ([args ["mask_rcnn"], "colors.txt"])
    ЦВЕТА = open (colorsPath) .read (). Strip (). Split ("\ n")
    ЦВЕТА = [np.array (c.split (",")). Astype ("int") для c в ЦВЕТАХ]
    ЦВЕТА = np.array (ЦВЕТА, dtype = "uint8")
     

    Строки 24-26 загружают объект класса COCO LABELS . Сегодняшний Mask R-CNN способен распознавать 90 классов, включая людей, транспортные средства, знаки, животных, предметы повседневного обихода, спортивное снаряжение, кухонные принадлежности, еду и многое другое! Я рекомендую вам взглянуть на object_detection_classes_coco.txt , чтобы увидеть доступные классы.

    Оттуда мы загружаем COLORS из пути, выполняя пару операций преобразования массива ( строки 30-33, ).

    Загрузим нашу модель:

     # получить пути к весам Mask R-CNN и конфигурации модели
    weightsPath = os.path.sep.join ([args ["mask_rcnn"],
    "frozen_inference_graph.pb"])
    configPath = os.path.sep.join ([args ["mask_rcnn"],
    "mask_rcnn_inception_v2_coco_2018_01_28.pbtxt"])
    
    # загружаем нашу маску R-CNN, обученную на наборе данных COCO (90 классов)
    # с диска
    print ("[INFO] Загрузка маски R-CNN с диска... ")
    net = cv2.dnn.readNetFromTensorflow (weightsPath, configPath)
     

    Сначала мы строим наши пути веса и конфигурации (, строки 36-39, ), а затем загружаем модель по этим путям (, строка 44, ).

    В следующем блоке мы загрузим и передадим изображение через нейронную сеть Mask R-CNN:

     # загружаем наше входное изображение и получаем его пространственные размеры
    image = cv2.imread (args ["изображение"])
    (H, W) = image.shape [: 2]
    
    # создать blob из входного изображения, а затем выполнить пересылку
    # проход маски R-CNN, дающий нам (1) координаты ограничивающего прямоугольника
    # объектов на изображении вместе с (2) пиксельной сегментацией
    # для каждого конкретного объекта
    blob = cv2.dnn.blobFromImage (изображение, swapRB = True, crop = False)
    net.setInput (большой двоичный объект)
    start = time.time ()
    (коробки, маски) = net.forward (["окончательное_обнаружение", "маски_обнаружения"])
    конец = время.время ()
    
    # показать информацию о времени и объеме на Маске R-CNN
    print ("[INFO] Маска R-CNN заняла {: .6f} секунд» .format (end - start))
    print ("[ИНФОРМАЦИЯ] форма коробки: {}". формат (box.shape))
    print ("[INFO] masks shape: {}". format (masks.shape))
     

    Здесь мы:

    • Загрузите исходное изображение , изображение и извлеките размеры для масштабирования позже (, строки 47 и 48, ).
    • Создайте большой двоичный объект через cv2.dnn.blobFromImage (, строка 54, ). Вы можете узнать, почему и как использовать эту функцию, в моем предыдущем руководстве.
    • Выполните прямой проход большого двоичного объекта через сеть , собирая временные метки (строки 55-58, ). Результаты содержатся в двух важных переменных: поля и маски .

    Теперь, когда мы выполнили прямой проход маски R-CNN на изображении, нам нужно отфильтровать + визуализировать наши результаты.Именно это и выполняет следующий цикл for. Он довольно длинный, поэтому я разбил его на , пять блоков кода , начинающихся здесь:

     # перебрать количество обнаруженных объектов
    для i в диапазоне (0, box.shape [2]):
    # извлекаем идентификатор класса обнаружения вместе с достоверностью
    # (т.е. вероятность), связанная с предсказанием
    classID = int (коробки [0, 0, i, 1])
    уверенность = коробки [0, 0, i, 2]
    
    # отфильтровываем слабые прогнозы, обеспечивая обнаруженную вероятность
    # больше минимальной вероятности
    если уверенность> args ["уверенность"]:
    # клонируем исходное изображение, чтобы мы могли рисовать на нем
    clone = изображение.копия ()
    
    # масштабируем координаты ограничивающего прямоугольника относительно
    # размер изображения, а затем вычисляем ширину и высоту
    # ограничивающей рамки
    box = box [0, 0, i, 3: 7] * np.array ([W, H, W, H])
    (startX, startY, endX, endY) = box.astype ("int")
    boxW = endX - startX
    boxH = endY - начало
     

    В этом блоке мы начинаем наш цикл фильтрации / визуализации (, строка 66, ).

    Приступаем к извлечению classID и достоверности конкретного обнаруженного объекта ( строки 69 и 70 ).

    Отсюда мы отфильтровываем слабые прогнозы, сравнивая достоверность со значением аргумента командной строки , гарантируя, что мы превзойдем его ( строка 74 ).

    Предполагая, что это так, мы продолжим и создадим клон изображения (, строка 76, ). Это изображение нам понадобится позже.

    Затем мы масштабируем ограничивающую рамку нашего объекта, а также вычисляем ее размеры ( строки 81-84 ).

    Сегментация изображения требует, чтобы мы нашли все пиксели, в которых присутствует объект.Таким образом, мы собираемся разместить прозрачное наложение поверх объекта, чтобы увидеть, насколько хорошо работает наш алгоритм. Для этого вычислим маску:

     # извлечь пиксельную сегментацию для объекта, изменить размер
    # маска такая же, что и ограничивающая
    #, а затем, наконец, порог для создания * двоичной * маски
    маска = маски [i, classID]
    маска = cv2.resize (маска, (boxW, boxH),
    интерполяция = cv2.INTER_NEAREST)
    маска = (маска> аргументы ["порог"])
    
    # извлекаем ROI изображения
    roi = clone [начало: конецY, началоX: конецX]
     

    В строках 89-91 мы извлекаем пиксельную сегментацию для объекта, а также изменяем его размер до размеров исходного изображения.Наконец, мы устанавливаем порог маски так, чтобы это был двоичный массив / изображение (, строка 92, ).

    Мы также выделяем интересующую область, в которой находится объект (, строка 95, ).

    Обе маски и roi можно увидеть визуально на рис. 8 позже в посте.

    Для удобства следующий блок выполняет визуализацию маски , roi и сегментированного экземпляра , если флаг --visualize установлен с помощью аргументов командной строки:

     # проверьте, собираетесь ли вы визуализировать, как извлечь
    # сама замаскированная область
    если args ["visualize"]> 0:
    # преобразовываем маску из логической в ​​целочисленную с помощью
    # к значениям: 0 или 255, затем примените маску
    висмаск = (маска * 255).astype ("uint8")
    instance = cv2.bitwise_and (roi, roi, mask = visMask)
    
    # показать извлеченную область интереса, маску вместе с
    # сегментированный экземпляр
    cv2.imshow ("рентабельность инвестиций", рентабельность инвестиций)
    cv2.imshow ("Маска", visMask)
    cv2.imshow ("Сегментированный", экземпляр)
     

    В этом блоке мы:

    • Проверьте, должны ли мы визуализировать ROI, маску и сегментированный экземпляр (, строка 99, ).
    • Преобразуйте нашу маску из логического в целое число, где значение «0» указывает фон, а «255» передний план ( строка 102 ).
    • Выполните побитовое маскирование для визуализации только самого экземпляра (, строка 103, ).
    • Показать все три изображения ( строки 107-109, ).

    Опять же, эти изображения визуализации будут отображаться только в том случае, если флаг --visualize установлен с помощью необязательного аргумента командной строки (по умолчанию эти изображения не отображаются).

    Теперь продолжим визуализацию:

     # теперь извлекаем * только * замаскированную область ROI, передавая
    # в массиве логических масок в качестве условия среза
    roi = roi [маска]
    
    # случайным образом выбираем цвет, который будет использоваться для визуализации этого
    # сегментация конкретного экземпляра, затем создайте прозрачный
    # наложение путем смешивания случайно выбранного цвета с ROI
    цвет = случайный.выбор (ЦВЕТА)
    blended = ((0,4 * цвет) + (0,6 * рентабельность)). astype ("uint8")
    
    # сохраняем смешанную рентабельность инвестиций в исходное изображение
    клон [startY: endY, startX: endX] [маска] = смешанный
     

    Строка 113 извлекает только маскируемую область ROI, передавая логический массив масок в качестве нашего условия среза.

    Затем мы случайным образом выберем один из шести наших шести ЦВЕТОВ , чтобы применить наше прозрачное наложение на объект (, строка 118, ).

    Затем мы смешаем нашу замаскированную область с roi ( строка 119 ), а затем поместим эту смешанную область в изображение клона ( строка 122 ).

    Наконец, мы нарисуем прямоугольник и текстовую метку класса + значение достоверности на изображении, а также отобразим результат!

     # рисуем ограничивающую рамку экземпляра на изображении
    color = [int (c) для c в цвете]
    cv2.rectangle (clone, (startX, startY), (endX, endY), color, 2)
    
    # рисуем предсказанную метку и соответствующую вероятность
    # экземплярная сегментация изображения
    text = "{}: {: .4f}". format (LABELS [classID], достоверность)
    cv2.putText (клон, текст, (startX, startY - 5),
    cv2.FONT_HERSHEY_SIMPLEX, 0,5, цвет, 2)
    
    # показать выходное изображение
    cv2.imshow ("Вывод", клон)
    cv2.waitKey (0)
     

    Чтобы закрыть, мы:

    • Нарисуйте цветную ограничивающую рамку вокруг объекта ( линии 125 и 126, ).
    • Создайте наш ярлык класса + достоверность текст , а также нарисуйте текст над ограничивающей рамкой ( строки 130-132 ).
    • Отображать изображение, пока не будет нажата любая клавиша (, строки 135 и 136, ).

    Давайте попробуем наш код Mask R-CNN!

    Убедитесь, что вы использовали «Загрузки» раздела руководства для загрузки исходного кода, обученной маски R-CNN и примеров изображений. Оттуда откройте свой терминал и выполните следующую команду:

     $ python mask_rcnn.py --mask-rcnn mask-rcnn-coco --image images / example_01.jpg
    [INFO] загрузка маски R-CNN с диска ...
    [INFO] Маска R-CNN заняла 0,761193 секунды.
    Форма поля [ИНФОРМАЦИЯ]: (1, 1, 3, 7)
    [INFO] форма маски: (100, 90, 15, 15)
     

    Рисунок 7: Маска R-CNN, примененная к сцене с автомобилями.Для создания масок использовались Python и OpenCV.

    На изображении выше вы можете видеть, что наша маска R-CNN не только локализовала каждой из машин на изображении, но также построила пиксельную маску, а также , что позволяет нам сегментировать каждую машину из образ.

    Если бы мы запустили ту же команду, на этот раз предоставив флаг --visualize , мы также могли бы визуализировать ROI, маску и экземпляр:

    Рисунок 8: Используя флаг --visualize , мы можем просмотреть промежуточные этапы ROI, маски и сегментации для нашего конвейера Mask R-CNN, созданного с помощью Python и OpenCV.

    Давайте попробуем другой пример изображения:

     $ python mask_rcnn.py --mask-rcnn mask-rcnn-coco --image images / example_02.jpg \
    - уверенность 0,6
    [INFO] загрузка маски R-CNN с диска ...
    [INFO] Маска R-CNN заняла 0,676008 секунды.
    [ИНФОРМАЦИЯ] форма поля: (1, 1, 8, 7)
    [INFO] форма маски: (100, 90, 15, 15)
     

    Рисунок 9: Используя Python и OpenCV, мы можем выполнить сегментацию экземпляра, используя маску R-CNN.

    Наша маска R-CNN правильно обнаружила и сегментировала людей, собаку, лошадь и грузовик по изображению.

    Вот еще один последний пример, прежде чем мы перейдем к использованию Mask R-CNN в видео:

     $ python mask_rcnn.py --mask-rcnn mask-rcnn-coco --image images / example_03.jpg
    [INFO] загрузка маски R-CNN с диска ...
    [INFO] Маска R-CNN заняла 0,680739 секунды.
    Форма поля [ИНФОРМАЦИЯ]: (1, 1, 3, 7)
    [INFO] форма маски: (100, 90, 15, 15)
     

    Рисунок 10: Здесь вы можете видеть, как я кормлю угощение семейной гончей, Джемме. Пиксельная карта каждого идентифицированного объекта маскируется и прозрачно накладывается на объекты.Это изображение было создано с помощью OpenCV и Python с использованием предварительно обученной модели Mask R-CNN.

    На этом изображении вы можете увидеть мою фотографию и Джемму, семейную гончую.

    Наша маска R-CNN способна с высокой степенью уверенности обнаружить и локализовать меня, Джемму и стул.

    OpenCV и Mask R-CNN в видеопотоках

    Теперь, когда мы рассмотрели, как применять маски R-CNN к изображениям, давайте рассмотрим, как их можно применить и к видео.

    Откройте файл mask_rcnn_video.py и вставьте следующий код:

     # импортируем необходимые пакеты
    импортировать numpy как np
    import argparse
    импорт imutils
    время импорта
    импорт cv2
    импорт ОС
    
    # создать аргумент, синтаксический анализ и анализ аргументов
    ap = argparse.ArgumentParser ()
    ap.add_argument ("- i", "--input", required = True,
    help = "путь к входному видеофайлу")
    ap.add_argument ("- o", "--output", required = True,
    help = "путь к выходному видеофайлу")
    ap.add_argument ("- m", "--mask-rcnn", required = True,
    help = "базовый путь к каталогу mask-rcnn")
    ap.add_argument ("- c", "--confidence", type = float, по умолчанию = 0,5,
    help = "минимальная вероятность отфильтровать слабые обнаружения")
    ap.add_argument ("- t", "--threshold", type = float, по умолчанию = 0,3,
    help = "минимальный порог для пиксельной сегментации маски")
    args = vars (ap.parse_args ())
     

    Сначала мы импортируем наши необходимые пакеты и анализируем аргументы командной строки.

    Есть два новых аргумента командной строки (которые заменяют --image из предыдущего сценария):

    • --input : путь к нашему входному видео.
    • --output : путь к нашему выходному видео (поскольку мы будем записывать наши результаты на диск в виде видеофайла).

    Теперь загрузим наш класс LABELS , COLORS и Mask R-CNN neural net :

     # загрузить метки классов COCO, на которых была обучена наша маска R-CNN
    labelPath = os.path.sep.join ([args ["mask_rcnn"],
    "object_detection_classes_coco.txt"])
    LABELS = open (labelsPath) .read (). Strip (). Split ("\ n")
    
    # инициализируем список цветов для представления каждой возможной метки класса
    нп.random.seed (42)
    ЦВЕТА = np.random.randint (0, 255, size = (len (LABELS), 3),
    dtype = "uint8")
    
    # получить пути к весам Mask R-CNN и конфигурации модели
    weightsPath = os.path.sep.join ([args ["mask_rcnn"],
    "frozen_inference_graph.pb"])
    configPath = os.path.sep.join ([args ["mask_rcnn"],
    "mask_rcnn_inception_v2_coco_2018_01_28.pbtxt"])
    
    # загружаем нашу маску R-CNN, обученную на наборе данных COCO (90 классов)
    # с диска
    print ("[ИНФОРМАЦИЯ] загрузка маски R-CNN с диска ...")
    net = cv2.dnn.readNetFromTensorflow (weightsPath, configPath)
     

    Наши ЭТИКЕТКИ и ЦВЕТА загружены в строки 24-31 .

    Оттуда мы определяем наши weightsPath и configPath перед загрузкой нашей нейронной сети Mask R-CNN net ( строки 34-42 ).

    Теперь давайте инициализируем наш видеопоток и средство записи видео:

     # инициализировать видеопоток и указатель на выходной видеофайл
    vs = cv2.VideoCapture (args ["ввод"])
    писатель = Нет
    
    # пытаемся определить общее количество кадров в видеофайле
    пытаться:
    prop = cv2.cv.CV_CAP_PROP_FRAME_COUNT, если imutils.is_cv2 () \
    иначе cv2.CAP_PROP_FRAME_COUNT
    total = int (vs.get (prop))
    print ("[ИНФОРМАЦИЯ] {} всего кадров в видео" .format (total))
    
    # произошла ошибка при попытке определить общую
    # количество кадров в видеофайле
    Кроме:
    print ("[ИНФОРМАЦИЯ] не удалось определить # кадров в видео")
    всего = -1
     

    Наш видеопоток ( против ) и средство записи видео инициализируются на строках 45 и 46 .

    Мы пытаемся определить количество кадров в видеофайле и отображаем всего ( строки 49-53 ).В случае неудачи мы зафиксируем исключение и распечатаем сообщение о состоянии, а также установим total на -1 ( строки 57-59 ). Мы будем использовать это значение, чтобы приблизительно рассчитать время, необходимое для обработки всего видеофайла.

    Давайте начнем цикл обработки кадров:

     # перебирать кадры из потока видеофайлов
    в то время как True:
    # читать следующий кадр из файла
    (схвачено, рамка) = vs. чтение ()
    
    # если кадр не был схвачен, значит мы дошли до конца
    # потока
    если не схватили:
    перемена
    
    # создать blob из входного фрейма, а затем выполнить
    # прямой проход маски R-CNN, дающий нам (1) ограничивающую рамку
    # координаты объектов на изображении вместе с (2)
    # пиксельная сегментация для каждого конкретного объекта
    blob = cv2.dnn.blobFromImage (frame, swapRB = True, crop = False)
    net.setInput (большой двоичный объект)
    start = time.time ()
    (коробки, маски) = net.forward (["detection_out_final",
    "маска_обнаружения"])
    конец = время.время ()
     

    Мы начинаем перебирать кадры, определяя бесконечный цикл , а затем и захватывая первый кадр ( строки 62-64 ). Цикл будет обрабатывать видео до завершения, которое обрабатывается условием выхода на строках 68 и 69 .

    Затем мы конструируем объект blob из кадра и пропускаем его через нейронную сеть , захватывая прошедшее время, чтобы мы могли вычислить приблизительное время до завершения позже ( строки 75-80 ).Результат включен в оба поля и маски .

    Теперь давайте перебираем обнаруженные объекты:

     # перебрать количество обнаруженных объектов
    для i в диапазоне (0, box.shape [2]):
    # извлекаем идентификатор класса обнаружения вместе с
    # уверенность (т.е. вероятность), связанная с
    # прогноз
    classID = int (коробки [0, 0, i, 1])
    уверенность = коробки [0, 0, i, 2]
    
    # отфильтровываем слабые прогнозы, гарантируя обнаружение
    # вероятность больше минимальной вероятности
    если уверенность> args ["уверенность"]:
    # масштабируем координаты ограничивающего прямоугольника относительно
    # размер кадра, а затем вычислить ширину и
    # высота ограничивающей рамки
    (H, W) = рамка.форма [: 2]
    box = box [0, 0, i, 3: 7] * np.array ([W, H, W, H])
    (startX, startY, endX, endY) = box.astype ("int")
    boxW = endX - startX
    boxH = endY - начало
    
    # извлекаем пиксельную сегментацию объекта,
    # изменить размер маски так, чтобы она была такой же
    # ограничивающая рамка, а затем, наконец, порог для создания
    # a * двоичная * маска
    маска = маски [i, classID]
    маска = cv2.resize (маска, (boxW, boxH),
    интерполяция = cv2.INTER_NEAREST)
    маска = (маска> аргументы ["порог"])
    
    # извлекаем ROI изображения, но * только * извлекаем
    # замаскированная область ROI
    roi = frame [начало: конецY, началоX: конецX] [маска]
     

    Сначала мы отфильтровываем слабые обнаружения с низким значением достоверности.Затем мы определяем координаты ограничивающего прямоугольника и получаем маску и roi .

    Теперь нарисуем прозрачное наложение объекта, ограничивающий прямоугольник и метку + достоверность:

     # возьмите цвет, используемый для визуализации этого конкретного класса,
    # затем создаем прозрачный оверлей, смешивая цвет
    # с ROI
    color = COLORS [classID]
    blended = ((0,4 * цвет) + (0,6 * рентабельность)). astype ("uint8")
    
    # сохраняем смешанную РИ в исходном кадре
    кадр [начало: конецY, началоX: конецX] [маска] = смешанный
    
    # рисуем ограничивающую рамку экземпляра на фрейме
    color = [int (c) для c в цвете]
    cv2.прямоугольник (рамка, (startX, startY), (endX, endY),
    цвет, 2)
    
    # рисуем предсказанную метку и соответствующую вероятность
    # сегментация экземпляра на фрейме
    text = "{}: {: .4f}". format (LABELS [classID], достоверность)
    cv2.putText (рамка, текст, (startX, startY - 5),
    cv2.FONT_HERSHEY_SIMPLEX, 0.5, цвет, 2)
     

    Здесь мы смешиваем с нашим roi с цветом и сохраняем его в исходном кадре , эффективно создавая цветной прозрачный оверлей ( строки 118-122, ).

    Затем мы рисуем прямоугольник вокруг объекта и отображаем метку класса + уверенность чуть выше ( строки 125-133 ).

    Наконец, давайте запишем видеофайл и очистим:

     # проверяем, есть ли записывающее видео None
    если писатель None:
    # инициализируем нашего видео писателя
    fourcc = cv2.VideoWriter_fourcc (* "MJPG")
    Writer = cv2.VideoWriter (args ["вывод"], fourcc, 30,
    (frame.shape [1], frame.shape [0]), True)
    
    # немного информации по обработке одиночного кадра
    если итог> 0:
    elap = (конец - начало)
    print ("[ИНФОРМАЦИЯ] один кадр занял {:.4f} секунд ".format (elap))
    print ("[ИНФОРМАЦИЯ] приблизительное общее время до завершения: {: .4f}". format (
    elap * всего))
    
    # записываем выходной кадр на диск
    Writer.write (кадр)
    
    # освобождаем указатели файлов
    print ("[ИНФОРМАЦИЯ] убирается ...")
    writer.release ()
    по сравнению с выпуском ()
     

    На первой итерации цикла инициализируется наш модуль записи видео .

    Примерное количество времени, которое займет обработка, выводится на терминал по строкам 143–147 .

    Последняя операция нашего цикла — записать фрейм на диск через наш объект записи , (, строка 150, ).

    Вы заметите, что я не показываю каждый кадр на экране. Операция отображения занимает много времени, и вы все равно сможете просматривать видео на выходе с помощью любого медиаплеера, когда скрипт завершит обработку.

    Примечание: Кроме того, OpenCV не поддерживает графические процессоры NVIDIA для своего модуля dnn . В настоящее время поддерживается только ограниченное количество графических процессоров, в основном графические процессоры Intel. Поддержка графических процессоров NVIDIA скоро появится, но в настоящее время мы не можем легко использовать графический процессор с модулем OpenCV dnn .

    Наконец, мы выпускаем указатели файлов ввода и вывода видео (, строки 154 и 155, ).

    Теперь, когда мы закодировали наш сценарий Mask R-CNN + OpenCV для видеопотоков, давайте попробуем!

    Убедитесь, что вы используете раздел «Загрузки» этого руководства, чтобы загрузить исходный код и модель Mask R-CNN.

    Затем вам нужно будет собрать собственные видеоролики с помощью смартфона или другого записывающего устройства. Как вариант, вы можете скачать видео с YouTube, как это сделал я.

    Примечание: Я намеренно не включаю видео в сегодняшнюю загрузку, потому что они довольно большие (400 МБ +). Если вы решите использовать те же видео, что и я, кредиты и ссылки будут внизу этого раздела.

    Оттуда откройте терминал и выполните следующую команду:

     $ python mask_rcnn_video.py --input videos / cats_and_dogs.mp4 \
    --output output / cats_and_dogs_output.avi --mask-rcnn mask-rcnn-coco
    [INFO] загрузка маски R-CNN с диска...
    [ИНФОРМАЦИЯ] Всего кадров видео: 19312
    [INFO] одиночный кадр занял 0,8585 секунды
    [INFO] Расчетное время до финиша: 16579.2047
     

    Рисунок 11: Маска R-CNN, примененная к видео с помощью Python и OpenCV.

    В приведенном выше видео вы можете найти забавные видеоролики о собаках и кошках с нанесенной на них Маской R-CNN!

    Вот второй пример применения OpenCV и Mask R-CNN к видеоклипам автомобилей, «скользящих и скользящих» в зимних условиях:

     $ python mask_rcnn_video.py --input videos / slip_and_slide.mp4 \
    --output output / slip_and_slide_output.avi --mask-rcnn mask-rcnn-coco
    [INFO] загрузка маски R-CNN с диска ...
    [ИНФОРМАЦИЯ] Всего в видео 17421 кадр.
    [INFO] одиночный кадр занял 0,9341 секунды
    [INFO] Расчетное общее время до финиша: 16272,9920
     

    Рисунок 12: Обнаружение объекта R-CNN маски применяется к видеосцене автомобилей с использованием Python и OpenCV.

    Вы можете представить маску R-CNN, применяемую на дорогах с интенсивным движением, проверяя наличие заторов, автомобильных аварий или путешественников, нуждающихся в немедленной помощи и внимании.

    Кредиты на видео и аудио включают:

    • Кошки и собаки
      • «Попробуй не смеяться — Сборник смешных кошек и собак 2017» на YouTube
      • «Счастливый рок» на BenSound
    • Скольжение и скольжение
      • «Сборник нелепой автомобильной аварии, скольжения и скольжения зимой — часть 1» на YouTube
      • «Epic» на BenSound

    Как обучить собственные модели Mask R-CNN?

    Рис. 13: В моей книге Deep Learning for Computer Vision with Python вы узнаете, как аннотировать свои собственные данные обучения, обучать собственную маску R-CNN и применять ее к вашим собственным изображениям.Я также предоставляю два тематических исследования по (1) сегментации поражения кожи / рака и (2) сегментации рецептурных таблеток, что является первым шагом в идентификации таблеток.

    Модель Mask R-CNN, которую мы использовали в этом руководстве, была , предварительно обученная на наборе данных COCO…

    … но что, если вы хотите обучить маску R-CNN на своем собственном наборе данных?

    В моей книге, Deep Learning for Computer Vision with Python , I:

    1. Научите вас, как обучить Mask R-CNN, чтобы автоматически обнаруживал и сегментировал раковые участки кожи очаги поражения — первый шаг в построении автоматической системы классификации факторов риска рака.
    2. Предоставляю вам мои любимые инструменты для аннотации изображений, , позволяющий создавать маски для ваших входных изображений.
    3. Покажет вам, как обучить маску R-CNN на вашем пользовательском наборе данных.
    4. Предоставлю вам мои лучшие практики, советы и предложения при обучении вашей собственной Mask R-CNN.

    Все главы Mask R-CNN включали подробное объяснение как алгоритма, так и кода , гарантируя, что вы сможете успешно обучать свои собственные R-CNN маски.

    Чтобы узнать больше о моей книге (и получить бесплатный набор примеров глав и оглавления), просто щелкните здесь.

    Сводка

    В этом руководстве вы узнали, как применять архитектуру Mask R-CNN с OpenCV и Python для сегментации объектов из изображений и видеопотоков.

    Детекторы объектов, такие как YOLO, SSD и Faster R-CNN, способны определять только координаты ограничивающего прямоугольника объекта на изображении — они не говорят нам ничего о фактической форме самого объекта.

    Используя Mask R-CNN, мы можем генерировать пиксельные маски для каждого объекта в изображении, тем самым позволяя нам сегментировать объект переднего плана от фона.

    Кроме того, Mask R-CNN позволяют нам сегментировать сложные объекты и формы из изображений, что традиционные алгоритмы компьютерного зрения не позволяют нам сделать.

    Надеюсь, вам понравился сегодняшний учебник по OpenCV и Mask R-CNN!

    Чтобы загрузить исходный код этого сообщения и получать уведомления о публикации будущих руководств на PyImageSearch, , просто введите свой адрес электронной почты в форму ниже!

    Загрузите исходный код и БЕСПЛАТНОЕ 17-страничное руководство по ресурсам

    Введите свой адрес электронной почты ниже, чтобы получить.zip кода и БЕСПЛАТНОЕ 17-страничное руководство по ресурсам по компьютерному зрению, OpenCV и глубокому обучению. Внутри вы найдете мои тщательно отобранные учебники, книги, курсы и библиотеки, которые помогут вам освоить CV и DL!

    Маскируйте свой реальный адрес электронной почты при использовании его на веб-сайтах [Chrome]

    • Новости технологий
    • ПК и мобильный

      • Windows
      • Mac
      • Linux
      • Android
      • iPhone и iPad
      • Интернет
      • Безопасность
      • Программирование
    • образ жизни

      • Развлечения
      • Продуктивность
      • творческий
      • Игры
      • Социальные медиа
    • Оборудование

      • Объяснение технологии
      • Руководства покупателя
      • Умный дом
      • Сделай сам
      • Обзоры продуктов
    • Бесплатные вещи

      • Бесплатные электронные книги
      • Подарки
      • Лучшие списки
      • Бесплатные чит-листы
    • Ролики
    • Около

      • О MakeUseOf
      • Рекламировать
      • Связаться с нами
      • Конфиденциальность
      • Магазин

    Подписывайтесь на нас

    Следуйте MakeUseOf.com
    Подробнее
    • Напишите нам
    • Дом
    • Свяжитесь с нами
    • Условия
    • Конфиденциальность
    • Авторские права
    • О нас
    • Политика проверки фактов
    • Политика исправлений
    • Политика этики
    • Политика владения
    • Заявление об отказе от ответственности

    .

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *