{ "cells": [ { "cell_type": "markdown", "metadata": { "tags": [] }, "source": [ "## Получение прогнозов по видео\n", "\n", "\n", "\n", "
" ] }, { "cell_type": "code", "execution_count": 1, "metadata": { "nbsphinx": "hidden", "tags": [] }, "outputs": [], "source": [ "import os # Взаимодействие с файловой системой\n", "import sys # Доступ к некоторым переменным и функциям Python\n", "\n", "PATH_TO_SOURCE = os.path.abspath(os.path.dirname(globals()['_dh'][0]))\n", "PATH_TO_ROOT = os.path.join(PATH_TO_SOURCE, '..', '..', '..')\n", "\n", "sys.path.insert(0, os.path.abspath(PATH_TO_ROOT))" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Импорт необходимых инструментов" ] }, { "cell_type": "code", "execution_count": 2, "metadata": {}, "outputs": [], "source": [ "from oceanai.modules.lab.build import Run" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Сборка" ] }, { "cell_type": "code", "execution_count": 3, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:32] OCEANAI - персональные качества личности человека:**
    Авторы:
        Рюмина Елена [ryumina_ev@mail.ru]
        Рюмин Дмитрий [dl_03.03.1991@mail.ru]
        Карпов Алексей [karpov@iias.spb.su]
    Сопровождающие:
        Рюмина Елена [ryumina_ev@mail.ru]
        Рюмин Дмитрий [dl_03.03.1991@mail.ru]
    Версия: 1.0.0a40
    Лицензия: BSD License

" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "_b5 = Run(\n", " lang = 'ru', # Язык\n", " color_simple = '#333', # Цвет обычного текста (шестнадцатеричный код)\n", " color_info = '#1776D2', # Цвет текста содержащего информацию (шестнадцатеричный код)\n", " color_err = '#FF0000', # Цвет текста содержащего ошибку (шестнадцатеричный код)\n", " color_true = '#008001', # Цвет текста содержащего положительную информацию (шестнадцатеричный код)\n", " bold_text = True, # Жирное начертание текста\n", " num_to_df_display = 30, # Количество строк для отображения в таблицах\n", " text_runtime = 'Время выполнения', # Текст времени выполнения\n", " metadata = True # Отображение информации о библиотеке\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Получение и отображение версий установленных библиотек\n", "\n", "> - `_b5.df_pkgs_` - DataFrame c версиями установленных библиотек" ] }, { "cell_type": "code", "execution_count": 4, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
PackageVersion
1OpenCV4.10.0
2MediaPipe0.10.14
3NumPy1.26.4
4SciPy1.14.1
5Pandas2.2.3
6Scikit-learn1.5.2
7OpenSmile2.5.0
8Librosa0.10.2.post1
9AudioRead3.0.1
10IPython8.28.0
11Requests2.32.3
12JupyterLab4.2.5
13LIWC0.5.0
14Transformers4.45.1
15Sentencepiece0.2.0
16Torch2.4.1+cu118
17Torchaudio2.4.1+cu118
18Torchvision0.19.1+cu118
\n", "
" ], "text/plain": [ " Package Version\n", "1 OpenCV 4.10.0\n", "2 MediaPipe 0.10.14\n", "3 NumPy 1.26.4\n", "4 SciPy 1.14.1\n", "5 Pandas 2.2.3\n", "6 Scikit-learn 1.5.2\n", "7 OpenSmile 2.5.0\n", "8 Librosa 0.10.2.post1\n", "9 AudioRead 3.0.1\n", "10 IPython 8.28.0\n", "11 Requests 2.32.3\n", "12 JupyterLab 4.2.5\n", "13 LIWC 0.5.0\n", "14 Transformers 4.45.1\n", "15 Sentencepiece 0.2.0\n", "16 Torch 2.4.1+cu118\n", "17 Torchaudio 2.4.1+cu118\n", "18 Torchvision 0.19.1+cu118" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 0.002 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "_b5.libs_vers(runtime = True, run = True)" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Формирование нейросетевой архитектуры модели для получения оценок по экспертным признакам\n", "\n", "> - `_b5.video_model_hc_` - Нейросетевая модель **nn.Module** для получения оценок по экспертным признакам" ] }, { "cell_type": "code", "execution_count": 5, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:32] Формирование нейросетевой архитектуры модели для получения оценок по экспертным признакам (видео модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 0.002 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "res_load_video_model_hc = _b5.load_video_model_hc(\n", " lang = 'en',\n", " show_summary = False, # Отображение сформированной нейросетевой архитектуры модели\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Загрузка весов нейросетевой модели для получения оценок по экспертным признакам\n", "\n", "> - `_b5.video_model_hc_` - Нейросетевая модель **nn.Module** для получения оценок по экспертным признакам" ] }, { "cell_type": "code", "execution_count": 6, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:32] Загрузка весов нейросетевой модели для получения оценок по экспертным признакам (видео модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 16:35:35] Загрузка файла \"weights_2022-08-27_18-53-35.pth\" 100.0% ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 2.727 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_save_ = './models' # Директория для сохранения файла\n", "_b5.chunk_size_ = 2000000 # Размер загрузки файла из сети за 1 шаг\n", "\n", "url = _b5.weights_for_big5_['video']['fi']['hc']['googledisk']\n", "\n", "res_load_video_model_weights_hc = _b5.load_video_model_weights_hc(\n", " url = url, # Полный путь к файлу с весами нейросетевой модели\n", " force_reload = True, # Принудительная загрузка файла с весами нейросетевой модели из сети\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Формирование нейросетевой архитектуры для получения нейросетевых признаков\n", "\n", "> - `_b5.video_model_deep_fe_` - Нейросетевая модель **nn.Module** для получения нейросетевых признаков" ] }, { "cell_type": "code", "execution_count": 7, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:35] Формирование нейросетевой архитектуры для получения нейросетевых признаков (видео модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 0.109 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "res_load_video_model_deep_fe = _b5.load_video_model_deep_fe(\n", " show_summary = False, # Отображение сформированной нейросетевой архитектуры модели\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Загрузка весов нейросетевой модели для получения нейросетевых признаков\n", "\n", "> - `_b5.video_model_deep_fe_` - Нейросетевая модель **nn.Module** для получения нейросетевых признаков" ] }, { "cell_type": "code", "execution_count": 8, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:35] Загрузка весов нейросетевой модели для получения нейросетевых признаков (видео модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 16:35:39] Загрузка файла \"weights_2022-11-01_12-27-07.pth\" 100.0% ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 3.878 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_save_ = './models' # Директория для сохранения файла\n", "_b5.chunk_size_ = 2000000 # Размер загрузки файла из сети за 1 шаг\n", "\n", "url = _b5.weights_for_big5_['video']['fi']['fe']['googledisk']\n", "\n", "res_load_video_model_weights_deep_fe = _b5.load_video_model_weights_deep_fe(\n", " url = url, # Полный путь к файлу с весами нейросетевой модели\n", " force_reload = True, # Принудительная загрузка файла с весами нейросетевой модели из сети\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Формирование нейросетевой архитектуры модели для получения оценок по нейросетевым признакам\n", "\n", "> - `_b5.video_model_nn_` - Нейросетевая модель **nn.Module** для получения оценок по нейросетевым признакам" ] }, { "cell_type": "code", "execution_count": 9, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:39] Формирование нейросетевой архитектуры для получения оценок по нейросетевым признакам (видео модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 0.023 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "res_load_video_model_nn = _b5.load_video_model_nn(\n", " show_summary = False, # Отображение сформированной нейросетевой архитектуры модели\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Загрузка весов нейросетевой модели для получения оценок по нейросетевым признакам\n", "\n", "> - `_b5.video_model_nn_` - Нейросетевая модель **nn.Module** для получения оценок по нейросетевым признакам" ] }, { "cell_type": "code", "execution_count": 10, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:39] Загрузка весов нейросетевой модели для получения оценок по нейросетевым признакам (видео модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 16:35:42] Загрузка файла \"weights_2022-03-22_16-31-48.pth\"** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 2.816 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_save_ = './models' # Директория для сохранения файла\n", "_b5.chunk_size_ = 2000000 # Размер загрузки файла из сети за 1 шаг\n", "\n", "url = _b5.weights_for_big5_['video']['fi']['nn']['googledisk']\n", "\n", "res_load_video_model_weights_nn = _b5.load_video_model_weights_nn(\n", " url = url, # Полный путь к файлу с весами нейросетевой модели\n", " force_reload = False, # Принудительная загрузка файла с весами нейросетевой модели из сети\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Формирование нейросетевых архитектур моделей для получения результатов оценки персональных качеств\n", "\n", "> - `_b5.video_models_b5_` - Нейросетевые модели **nn.Module** для получения результатов оценки персональных качеств" ] }, { "cell_type": "code", "execution_count": 11, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:43] Формирование нейросетевых архитектур моделей для получения результатов оценки персональных качеств (видео модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 0.002 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "res_load_video_models_b5 = _b5.load_video_models_b5(\n", " show_summary = False, # Отображение сформированной нейросетевой архитектуры модели\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Загрузка весов нейросетевых моделей для получения результатов оценки персональных качеств\n", "\n", "> - `_b5.video_models_b5_` - Нейросетевые модели **nn.Module** для получения результатов оценки персональных качеств" ] }, { "cell_type": "code", "execution_count": 12, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 16:35:45] Загрузка весов нейросетевых моделей для получения результатов оценки персональных качеств (видео модальность) ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 16:35:48] Загрузка файла \"weights_2022-06-15_16-46-30.pth\"** **Открытость опыту**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 16:35:50] Загрузка файла \"weights_2022-06-15_16-48-50.pth\"** **Добросовестность**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 16:35:52] Загрузка файла \"weights_2022-06-15_16-54-06.pth\"** **Экстраверсия**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 16:35:54] Загрузка файла \"weights_2022-06-15_17-02-03.pth\"** **Доброжелательность**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 16:35:57] Загрузка файла \"weights_2022-06-15_17-06-15.pth\"** **Эмоциональная стабильность**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 11.525 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_save_ = './models' # Директория для сохранения файла\n", "_b5.chunk_size_ = 2000000 # Размер загрузки файла из сети за 1 шаг\n", "\n", "url_openness = _b5.weights_for_big5_['video']['fi']['b5']['openness']['googledisk']\n", "url_conscientiousness = _b5.weights_for_big5_['video']['fi']['b5']['conscientiousness']['googledisk']\n", "url_extraversion = _b5.weights_for_big5_['video']['fi']['b5']['extraversion']['googledisk']\n", "url_agreeableness = _b5.weights_for_big5_['video']['fi']['b5']['agreeableness']['googledisk']\n", "url_non_neuroticism = _b5.weights_for_big5_['video']['fi']['b5']['non_neuroticism']['googledisk']\n", "\n", "res_load_video_models_weights_b5 = _b5.load_video_models_weights_b5(\n", " url_openness = url_openness, # Открытость опыту\n", " url_conscientiousness = url_conscientiousness, # Добросовестность\n", " url_extraversion = url_extraversion, # Экстраверсия\n", " url_agreeableness = url_agreeableness, # Доброжелательность\n", " url_non_neuroticism = url_non_neuroticism, # Нейротизм\n", " force_reload = False, # Принудительная загрузка файла с весами нейросетевой модели из сети\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### Получение прогнозов (видео модальность)\n", "\n", "> - `_b5.df_files_` - DataFrame с данными\n", "> - `_b5.df_accuracy_` - DataFrame с результатами вычисления точности" ] }, { "cell_type": "code", "execution_count": 13, "metadata": {}, "outputs": [ { "data": { "text/markdown": [ "**[2024-10-08 17:23:11] Получение прогнозов и вычисление точности (видео модальность) ...**

    2000 из 2000 (100.0%) ... test80_25\\_Q4wOgixh7E.004.mp4 ...

" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
PathOpennessConscientiousnessExtraversionAgreeablenessNon-Neuroticism
Person ID
113kjwEtSyXc.003.mp40.5284910.4619520.4238440.5040620.451862
21Lv72Si4GnY.000.mp40.5566220.4325020.5021930.5780620.512365
31uC-2TZqplE.003.mp40.4651670.5183810.3318940.4534520.407971
42Z8Xi_DTlpI.000.mp40.627960.5995730.5643080.5749920.591495
53df_Uk9EmwU.002.mp40.5826870.5052650.4977480.5793520.484003
63gmc2kLV4Bo.003.mp40.6736770.644230.6222230.6174830.624848
73hKgh9AB3tk.003.mp40.416550.3942640.3287410.4878960.392852
83S72dDIm1fM.005.mp40.5823220.5684660.5015850.6246290.587418
93tPq9fNOXZQ.000.mp40.5490690.4512250.447130.4932690.43745
1043tayteIFRk.001.mp40.5718510.5075180.4567080.575850.52462
114RKQGZzPClk.000.mp40.5637010.4029690.4383010.4829630.497794
126zm71IHOCZA.005.mp40.5083130.4361140.3336260.4979060.489626
137qGYGbIg45c.001.mp40.3335810.3293810.2388960.3754510.254064
148YQKwMdiaAE.003.mp40.650420.5511770.5055420.5317230.572215
159Crw2RtrBcY.005.mp40.6559320.8342320.5373740.6950530.73809
169eNHxfOV2Kg.005.mp40.5232570.4466060.3874570.4178780.464942
179J-KIPMQmqk.002.mp40.579730.6804010.4741620.6060240.633491
189RfE2-aTvaM.002.mp40.5725720.5642120.4688390.6114670.576528
199_6auSk_wkY.002.mp40.6695280.6611920.6548680.6276070.662564
20aaylz9A9K80.000.mp40.6858540.6008250.6816770.633560.65243
21Af_F0IzHK6o.002.mp40.5528550.4914430.4048930.5637960.482746
22Ah5PEPT4xbo.000.mp40.5306970.4741270.4331190.4933640.461316
23AotbiNsU85A.003.mp40.4697290.4430680.3525390.4486320.355868
24BLc_GvsbI1U.001.mp40.6690960.6558790.6042090.6305140.615415
25bLOSPQ8MAC8.005.mp40.4702690.60470.3643840.526080.486426
26bPLhV0PGR50.001.mp40.6230010.6423550.5131290.5486520.543819
27bYXRyimxh7A.001.mp40.5681580.5297240.4769920.5234370.528825
28ch2BcBv4SdQ.003.mp40.6980740.6701370.7133940.6585080.693174
29cpch8WDydcM.004.mp40.5798710.581130.4897950.5613880.523101
30De4i7-FX9Og.002.mp40.6392680.587470.613940.6368220.613017
\n", "
" ], "text/plain": [ " Path Openness Conscientiousness Extraversion \\\n", "Person ID \n", "1 13kjwEtSyXc.003.mp4 0.528491 0.461952 0.423844 \n", "2 1Lv72Si4GnY.000.mp4 0.556622 0.432502 0.502193 \n", "3 1uC-2TZqplE.003.mp4 0.465167 0.518381 0.331894 \n", "4 2Z8Xi_DTlpI.000.mp4 0.62796 0.599573 0.564308 \n", "5 3df_Uk9EmwU.002.mp4 0.582687 0.505265 0.497748 \n", "6 3gmc2kLV4Bo.003.mp4 0.673677 0.64423 0.622223 \n", "7 3hKgh9AB3tk.003.mp4 0.41655 0.394264 0.328741 \n", "8 3S72dDIm1fM.005.mp4 0.582322 0.568466 0.501585 \n", "9 3tPq9fNOXZQ.000.mp4 0.549069 0.451225 0.44713 \n", "10 43tayteIFRk.001.mp4 0.571851 0.507518 0.456708 \n", "11 4RKQGZzPClk.000.mp4 0.563701 0.402969 0.438301 \n", "12 6zm71IHOCZA.005.mp4 0.508313 0.436114 0.333626 \n", "13 7qGYGbIg45c.001.mp4 0.333581 0.329381 0.238896 \n", "14 8YQKwMdiaAE.003.mp4 0.65042 0.551177 0.505542 \n", "15 9Crw2RtrBcY.005.mp4 0.655932 0.834232 0.537374 \n", "16 9eNHxfOV2Kg.005.mp4 0.523257 0.446606 0.387457 \n", "17 9J-KIPMQmqk.002.mp4 0.57973 0.680401 0.474162 \n", "18 9RfE2-aTvaM.002.mp4 0.572572 0.564212 0.468839 \n", "19 9_6auSk_wkY.002.mp4 0.669528 0.661192 0.654868 \n", "20 aaylz9A9K80.000.mp4 0.685854 0.600825 0.681677 \n", "21 Af_F0IzHK6o.002.mp4 0.552855 0.491443 0.404893 \n", "22 Ah5PEPT4xbo.000.mp4 0.530697 0.474127 0.433119 \n", "23 AotbiNsU85A.003.mp4 0.469729 0.443068 0.352539 \n", "24 BLc_GvsbI1U.001.mp4 0.669096 0.655879 0.604209 \n", "25 bLOSPQ8MAC8.005.mp4 0.470269 0.6047 0.364384 \n", "26 bPLhV0PGR50.001.mp4 0.623001 0.642355 0.513129 \n", "27 bYXRyimxh7A.001.mp4 0.568158 0.529724 0.476992 \n", "28 ch2BcBv4SdQ.003.mp4 0.698074 0.670137 0.713394 \n", "29 cpch8WDydcM.004.mp4 0.579871 0.58113 0.489795 \n", "30 De4i7-FX9Og.002.mp4 0.639268 0.58747 0.61394 \n", "\n", " Agreeableness Non-Neuroticism \n", "Person ID \n", "1 0.504062 0.451862 \n", "2 0.578062 0.512365 \n", "3 0.453452 0.407971 \n", "4 0.574992 0.591495 \n", "5 0.579352 0.484003 \n", "6 0.617483 0.624848 \n", "7 0.487896 0.392852 \n", "8 0.624629 0.587418 \n", "9 0.493269 0.43745 \n", "10 0.57585 0.52462 \n", "11 0.482963 0.497794 \n", "12 0.497906 0.489626 \n", "13 0.375451 0.254064 \n", "14 0.531723 0.572215 \n", "15 0.695053 0.73809 \n", "16 0.417878 0.464942 \n", "17 0.606024 0.633491 \n", "18 0.611467 0.576528 \n", "19 0.627607 0.662564 \n", "20 0.63356 0.65243 \n", "21 0.563796 0.482746 \n", "22 0.493364 0.461316 \n", "23 0.448632 0.355868 \n", "24 0.630514 0.615415 \n", "25 0.52608 0.486426 \n", "26 0.548652 0.543819 \n", "27 0.523437 0.528825 \n", "28 0.658508 0.693174 \n", "29 0.561388 0.523101 \n", "30 0.636822 0.613017 " ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 17:23:11] Точность по отдельным персональным качествам личности человека ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
OpennessConscientiousnessExtraversionAgreeablenessNon-NeuroticismMean
Metrics
MAE0.08720.08210.08050.0870.08720.0848
Accuracy0.91280.91790.91950.9130.91280.9152
\n", "
" ], "text/plain": [ " Openness Conscientiousness Extraversion Agreeableness \\\n", "Metrics \n", "MAE 0.0872 0.0821 0.0805 0.087 \n", "Accuracy 0.9128 0.9179 0.9195 0.913 \n", "\n", " Non-Neuroticism Mean \n", "Metrics \n", "MAE 0.0872 0.0848 \n", "Accuracy 0.9128 0.9152 " ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**[2024-10-08 17:23:11] Средняя средних абсолютных ошибок: 0.0848, средняя точность: 0.9152 ...** " ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**Лог файлы успешно сохранены ...**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/markdown": [ "**--- Время выполнения: 2637.585 сек. ---**" ], "text/plain": [ "" ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "# Настройки ядра\n", "_b5.path_to_dataset_ = 'E:/Databases/FirstImpressionsV2/test' # Директория набора данных\n", "# Директории не входящие в выборку\n", "_b5.ignore_dirs_ = []\n", "# Названия ключей для DataFrame набора данных\n", "_b5.keys_dataset_ = ['Path', 'Openness', 'Conscientiousness', 'Extraversion', 'Agreeableness', 'Non-Neuroticism']\n", "_b5.ext_ = ['.mp4'] # Расширения искомых файлов\n", "_b5.path_to_logs_ = './logs' # Директория для сохранения LOG файлов\n", "\n", "# Полный путь к файлу с верными предсказаниями для подсчета точности\n", "url_accuracy = _b5.true_traits_['fi']['googledisk']\n", "\n", "res_get_video_union_predictions = _b5.get_video_union_predictions(\n", " depth = 1, # Глубина иерархии для получения аудио и видеоданных\n", " recursive = False, # Рекурсивный поиск данных\n", " reduction_fps = 5, # Понижение кадровой частоты\n", " window = 10, # Размер окна сегмента сигнала (в секундах)\n", " step = 5, # Шаг сдвига окна сегмента сигнала (в секундах)\n", " lang = 'en',\n", " accuracy = True, # Вычисление точности\n", " url_accuracy = url_accuracy,\n", " logs = True, # При необходимости формировать LOG файл\n", " out = True, # Отображение\n", " runtime = True, # Подсчет времени выполнения\n", " run = True # Блокировка выполнения\n", ")" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3 (ipykernel)", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.10.11" } }, "nbformat": 4, "nbformat_minor": 4 }