Face Emotion Recognition

📌 Descripción del Proyecto

Este proyecto implementa un sistema de detección de emociones faciales en tiempo real utilizando una cámara web. Combina técnicas avanzadas de visión por computadora con un modelo de aprendizaje profundo basado en la arquitectura ResNet50V2.

✨ Características Principales

• 🎭 Detección de 7 emociones básicas:

  • Enojo (angry)
  • Disgusto (disgust)
  • Miedo (fear)
  • Felicidad (happy)
  • Neutral (neutral)
  • Tristeza (sad)
  • Sorpresa (surprise)

• 🖥️ Interfaz en tiempo real que muestra:

  • Caja delimitadora del rostro detectado
  • Emoción predicha con porcentaje de confianza
  • Indicador de FPS (cuadros por segundo)

• 🤖 Modelo avanzado:

  • Arquitectura ResNet50V2 optimizada
  • Transfer Learning en los pesos de aprendizaje con imagenet de AffectNet
  • Modelo entrenado en formato .keras
  • Procesamiento eficiente de con generador de imágenes

🛠️ Componentes Técnicos

• Detección facial: Usa OpenCV con un modelo Caffe pre-entrenado
• Clasificación de emociones: Modelo ResNet50V2 personalizado
• Preprocesamiento:
  • Normalización de imágenes (224x224 píxeles)
  • Conversión a espacio de color RGB
  • Escalado de valores de píxeles (0-1)

Preparación del entorno

venv

$ python3.10 -m venv venv

Windows	.\venv\Scripts\activate
Linux/macOS	source venv/bin/activate

$ pip install -r requirements.txt 

Conda

conda create -n face_emotion_env python=3.10 -y
conda activate face_emotion_env

$ pip install -r requirements.txt 

Usando WebCam

Inicializar API

$ uvicorn app.main:app --reload

API Docs

http://localhost:8000/docs

API Process Image (Probar desde docs)

http://localhost:8000/api/v1/detection/process-image    

API Process Lastest Frame

http://localhost:8000/api/v1/webcam/process-frame

API History

http://localhost:8000/api/v1/history/
http://localhost:8000/api/v1/history/?page=1&per_page=10&detection_type=image
http://localhost:8000/api/v1/history/?page=1&per_page=10&detection_type=video

Configuraciones de Docker

Para crear build:

$ docker build -t emotion-detection-api .

Para iniciar contenedor docker

$ docker run -p 8000:8000 emotion-detection-api

Repositorio Docker Hub

$ docker login
$ docker tag emotion-detection-api closorio/emotion-detection-api:1.0
$ docker push closorio/emotion-detection-api:1.0

Cada 10 imágenes consumen aproximadamente 1.7 GBs de RAM