情绪识别数据集(包含25w张图片) yolo格式类别：八种训练数据已划分， 识别精度：90%

 

情绪识别数据集(包含25w张图片) yolo格式

类别：Anger、Contempt、Disgust、Fear、Happy、Neutral、Sad、Surprise 八种 训练数据已划分，配置文件稍做路径改动即可训练。 训练集：171010 验证集：54060 测试集：27550 共计25w张人脸图片(免责申明:采集于互联网)，压缩后文件总大小：7GB 另外：提供yolov8训练结果（内含模型 识别精度：90%）

情绪识别数据集 (Emotion Recognition Dataset)

描述: 本数据集旨在支持对人脸情绪的自动识别，特别适用于情感分析、人机交互、心理健康监测等领域。通过使用该数据集训练的模型可以帮助理解和分析人们的情绪状态，从而在多种应用场景中提供有价值的洞见。

类别:

• Anger (愤怒)
• Contempt (轻蔑)
• Disgust (厌恶)
• Fear (恐惧)
• Happy (快乐)
• Neutral (中性)
• Sad (悲伤)
• Surprise (惊讶)

数据量:

• 总图片数: 250,000张
• 训练集: 171,010张
• 验证集: 54,060张
• 测试集: 27,550张

文件格式:

• 图像采用常见的格式（如JPEG, PNG等）。
• 标注文件采用YOLO格式，即每个图像对应一个文本文件，其中包含边界框坐标及类别标签。例如，对于Happy类别的标注，文本文件中的每一行将按照以下格式表示：<class_id> <x_center> <y_center> <width> <height>，其中<class_id>为0到7（代表不同的情绪类别），其余参数均为归一化后的浮点数值。

数据集结构

确保您的数据集目录结构如下所示（这只是一个示例结构，您可以根据实际情况调整）：

emotion_recognition_dataset/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   ├── val/
│   │   ├── img171011.jpg
│   │   ├── img171012.jpg
│   │   └── ...
│   ├── test/
│   │   ├── img225071.jpg
│   │   ├── img225072.jpg
│   │   └── ...
├── labels/
│   ├── train/
│   │   ├── img1.txt
│   │   ├── img2.txt
│   │   └── ...
│   ├── val/
│   │   ├── img171011.txt
│   │   ├── img171012.txt
│   │   └── ...
│   ├── test/
│   │   ├── img225071.txt
│   │   ├── img225072.txt
│   │   └── ...
└── data.yaml

data.yaml 配置文件

创建一个名为 data.yaml 的配置文件，内容如下：

train: ./emotion_recognition_dataset/images/train
val: ./emotion_recognition_dataset/images/val
test: ./emotion_recognition_dataset/images/test  # 如果需要测试集路径

nc: 8  # 类别数量
names: ['Anger', 'Contempt', 'Disgust', 'Fear', 'Happy', 'Neutral', 'Sad', 'Surprise']  # 类别名称

使用方法

1. 准备环境

确保安装了必要的Python库，如ultralytics（用于YOLOv8）和其他相关依赖：

pip install ultralytics

2. 修改配置文件

根据实际路径修改 data.yaml 文件中的路径。

3. 训练脚本

以下是一个使用YOLOv8进行训练的Python脚本示例：

from ultralytics import YOLO

# 设置设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'

# 加载预训练模型或从头开始训练
model = YOLO('yolov8n.pt')  # 使用预训练的YOLOv8n模型
# model = YOLO()  # 从头开始训练

# 开始训练
results = model.train(
    data='path/to/data.yaml',  # 指定数据集配置文件路径
    epochs=100,  # 训练轮次
    batch=16,  # 批处理大小
    imgsz=640,  # 输入图像尺寸
    workers=8,  # 数据加载线程数
    device=device,  # 使用GPU设备编号，默认为0
    project='emotion_recognition',  # 保存结果的项目名称
    name='exp',  # 实验名称
    exist_ok=True  # 如果存在相同实验名，覆盖旧的结果
)

# 可视化训练结果
results.plot()

# 保存模型
model.save('emotion_recognition_model.pt')

训练结果

模型: YOLOv8

性能指标:

• 准确率 (Accuracy): [根据实际结果填写]
• 精确度 (Precision): [根据实际结果填写]
• 召回率 (Recall): [根据实际结果填写]
• F1分数 (F1 Score): [根据实际结果填写]
• 平均精度均值 (mAP@0.5:0.95): 90%

模型文件:

• 提供了YOLOv8的预训练模型文件，可以直接用于推理或进一步微调。

总结

这个情绪识别数据集提供了丰富的标注图像，适合用于训练和评估基于深度学习的情绪识别模型。通过使用YOLOv8框架，可以有效地识别和分类人脸的情绪状态。提供的预训练模型已经达到了90%的识别精度，可以在实际应用中提供可靠的检测结果。

可视化与评估

YOLOv8提供了丰富的工具来进行训练过程的可视化和评估。训练完成后，可以在输出目录中找到训练日志、图表以及最佳模型权重文件。这些资源有助于分析模型的性能，并进行进一步的优化。