在内部审计的实践中，有些任务需要进行检查以识别客户数据的错误输入。这些问题之一可能是产品注册时输入的数据与客户照片之间的差异。
例如，可以使用以下信息：性别，年龄和照片链接。为了检查符合性，我们将使用Python语言的py-agender库。
图书馆分为两个阶段。首先，opencv确定面部在照片中的位置。第二，在UTKFace数据集上训练的EfficientNetB3体系结构的神经网络确定照片中面部所有者的性别和年龄。
首先，让我们导入所需的库：
import cv2
from pyagender import PyAgender让我们创建一个性别和年龄检测器对象：
agender = PyAgender()使用opencv上传照片：
img = cv2.imread("habensky.jpeg")接下来，我们使用agender对象的detect_genders_ages方法定义面部特征：
face_info = agender.detect_genders_ages(img)其中变量face_info包含以下信息：
[{'left': 0,
'top': 5,
'right': 299,
'bottom': 299,
'width': 299,
'height': 294,
'gender': 0.0075379927,
'age': 41.585840644804094}]
在这里，参数（“左”，“上”，“右”，“下”，“宽度”，“高度”）描述了脸部在照片中的位置。性别参数表示属于特定性别的特征，其中0对应于男人，1对应于女人。那些。图像处理后，在0.5的阈值下，我们将处理后的样本分为男性和女性。
算法确定该图像代表一个男人（性别值非常接近零：0.0075379927），并且在这张照片中他已经41岁半（41.5858），我不知道这张照片中的康斯坦丁·哈本斯基几岁，但是我认为算法很接近说实话。
这是一个很好的例子，图像清晰，效果令人印象深刻。但是，当您开始将算法应用于实际数据时，事情并没有我们想要的那么乐观。关键不是算法，而是初始数据的质量。
就我而言，这是一组1542张图像，分辨率为300x300。对于64张图像，该算法无法确定脸部特征。主要原因是拍摄时照明不佳（面部几乎不可见）。对于1478张图像，中位年龄误差为4.96年。下图显示了错误的分布：
对于8.5％的图像（1478张中的125张），该算法在确定人的性别时犯了一个错误。其中，在122种情况下，该算法将女人误认为男人。同样，不要在所有情况下都怪罪算法。在大多数错误的示例中，有很多戴着眼镜的脸可能会掩盖某些面部特征。下图显示了UTKFace
数据集的年龄分布：您可以看到大多数数据集都包含20至40岁的人的图像。尽管如此，该算法最经常在指定的时间间隔内准确地犯了一个错误，即该错误很可能与应用该算法的数据集的特殊性有关。下图显示了算法出错的年龄分布：
Py-Agender是一个有趣的工具，可以帮助自动化许多日常任务，或者至少减少用于手动分析的样本量。本文提供了对特定数据集的估计，也许在您的情况下，该算法将更有效地工作。