39 lines
865 B
Markdown
39 lines
865 B
Markdown
# Aufgabe 02: Face Embeddings berechnen
|
|
|
|
## Ziel
|
|
|
|
Du wandelst erkannte Gesichter in numerische Embeddings um.
|
|
|
|
## Warum ist das wichtig?
|
|
|
|
Bekannte Personen werden über Ähnlichkeit in einem Vektorraum erkannt.
|
|
|
|
## Voraussetzungen
|
|
|
|
- Aufgabe 01
|
|
- Embedding-Modell
|
|
|
|
## Theorie
|
|
|
|
Ein Embedding beschreibt ein Gesicht als Vektor. Ähnliche Gesichter liegen näher beieinander, aber der Abstand ist nie eine absolute Identitätsgarantie.
|
|
|
|
## Aufgabe
|
|
|
|
Extrahiere Embeddings aus Testbildern und speichere sie mit Metadaten.
|
|
|
|
## Akzeptanzkriterien
|
|
|
|
- Embedding-Vektor wird erzeugt.
|
|
- Metadaten enthalten Person, Bild und Datum.
|
|
- Fehlerhafte Crops werden ausgeschlossen.
|
|
|
|
## Erweiterungen
|
|
|
|
- Visualisiere Distanzen zwischen Beispielbildern.
|
|
|
|
## Reflexionsfragen
|
|
|
|
- Warum speicherst du nicht nur Namen?
|
|
- Was bedeutet Nähe im Vektorraum?
|
|
- Welche Metadaten helfen später?
|