3000fps 实际操作总结

最新推荐文章于 2021-06-06 22:24:24 发布
最新推荐文章于 2021-06-06 22:24:24 发布
阅读量2.6k 收藏
点赞数 2
分类专栏： 人脸对齐 文章标签： 人脸对齐
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/duan19920101/article/details/51073617
版权

在对3000fps算法的实际操作过程中，遇到了很多问题，同样也总结了一些经验：

1、论文中提及3000fps算法的实际对齐速度可以达到3ms，可能是训练库很大吧；我开始使用lfpw训练库，其中包含811张图，最终的特征点对齐速度平均为100ms，而使用Helen训练库的2000张图片训练出模型后，最终的特征点对齐速度平均为16ms，最快可以达到11ms(已经达到了实时性)；虽然并没有达到论文中提及的那么快的速度，但是我认为，当我们的训练库中包含的图片越来越多时，人脸对齐的速度可以更快。

2、3000fps算法在测试图片时，效果挺好的(侧脸的效果也很不错)，但是在测试视频时效果就有点问题了，正脸的效果很好，但是侧脸定位的效果就会很差，它的模型基本都是正脸的，根本就不能和偏转的脸进行匹配。

可能的原因：测试的图片清晰度比较高，但是视频都是使用摄像机拍摄的，清晰度一般都很不好，720P已经算是不错的了。



持续更新。。。。。。

那年聪聪
关注
专栏目录
2024年Unity 面试题 |五萬字 二佰道| Unity面试题大全，面试题总结【全网最全，收藏一篇足够面试】
努力前行，总会成为自己心中的那道光
02-23 12万+
正所谓 金三银四 ，又到了找工作的大好时机了，不知道大家有没有意向找一份更好的工作呢~ 之前写了很多Unity的学习和实例文章，但是面试题部分还没有一个系统的整理。 那本篇文章就来整理一下Unity中一些常见的面试题，说不准就会面试的时候就会遇到！ 本篇文章会将Unity所有方面的面试资料都融会贯通，绝对是2022年Unity面试领域最实用的文章啦！
LBF模型--训练好的3000fps人脸对齐模型
08-02
花了不少时间生成的LBF训练模型，主要在生成随机森林时花的时间。 ！！！！注意 注意！！！！ 与此对应的，还有一个回归模型regressor.model 要一起下载！！！
同时完成“训练和测试”(3000fps)
那年聪聪
03-30 1114
同时完成“训练和测试” 图像集训练 图像数据的测试
3000fps算法整理
ruyiwei.cas@gmail.com
12-20 2279
1.Framework整个流程基于Cascade Pose Regression(CVPR 2010)，分为T个stage，在训练时步骤如下（testing也类似）每个stage先抽取local binary features， 然后根据真实的ΔS^i\varDelta {\hat{S}}_i 用linear regression训练一个regressor， 最后用训练出来的regressor得
决策树及随机森林在face alignment at 3000fps中的训练和测试
jcx021
12-21 1460
目录 目录 准备训练样本 Split node分裂节点的确定和划分 由决策树得到LBF特征1. 准备训练样本通过对参数的读取，若一个随机森林有10个树： 输入经过augmented的训练样本，被有overlapping的分割成10部分，每一部分训练一个决策树。然后，这些样本再训练另外一个random forest的10个决策树。2. Split node分裂节点的确定和划分
Face Alignment at 3000 FPS via Regressing Local Binary Features 阅读笔记
AUTO1993的博客
03-22 1426
基于局部二值特征的人脸形状回归 FaceAlignment at 3000 FPS via Regressing Local Binary Features阅读笔记
FPS 的ESP绘图绘制源码，适用任何FPS游戏
04-20
5. **内存读取技巧**：在没有公开API的情况下，可能需要读取游戏内存来获取敌人位置等信息，这涉及到内存遍历和指针操作。 6. **反检测策略**：作弊程序往往需要避开游戏的反作弊系统，这可能涉及到代码混淆、反调试...
FPS游戏初开发--逻辑分析总结
RaAlGhul的博客
05-07 6459
(图片来自网络，侵权可删)FPS游戏，即First-person Shooting Game，第一人称射击游戏，说到FPS游戏，相信大家第一个想到都是经典的CS，近几年优秀的FPS游戏也是不少，比如CS续作CSGO，腾讯搞的CODOL，育碧的彩虹六号，暴雪的守望先锋，以及蓝洞的绝地求生(纠正一哈，这个应该来说是第三人称，严格来说不算FPS游戏)。FPS游戏的玩法大多都是一把枪，对敌人进行射击，没有...
FPS009封装下载
12-21
根据提供的文件内容，可以总结出以下知识点： 1. FPS009封装：文档提到的“FPS009封装”指的是一个特定的电子组件封装类型，该封装用于电子连接器，允许连接器插拔。封装是指电子组件与外界电路连接的部分，通常...
Keil中的C51FPS.LIB文件
09-28
尽管C51FPS.LIB提供了浮点运算的便利，但在实际应用中，开发者还需要考虑一些其他因素，例如代码优化、运行效率和内存占用。在某些情况下，可能需要使用固定点数学或者自定义的近似算法来代替浮点运算，以达到更好的...
regressor模型--训练好的3000fps人脸对齐模型
08-02
花了不少时间生成的regressor训练模型，主要在生成随机森林时花的时间。 ！！！！注意 注意！！！！ 与此对应的，还有一个LBF模型LBF.model 要一起下载！！！
Face Alignment at 3000FPS（C++版）
01-26
Face Alignment at 3000FPS（C++版）工程配置（非Cmake），这里是配置方法：http://blog.csdn.net/duan19920101/article/details/50582249
《Face alignment at 3000 FPS via Regressing Local Binary Features》阅读笔记
pomodoro
10-04 1306
一、前言 这篇文章提出了一种高效、快速的人脸对齐算法，该算法在电脑上能达到 3000 FPS 的速度，在手机上也能达到 300 FPS 的速度，因此业界称其 face3000。算法的创新点在于局部二值特征以及训练这些局部二值特征的规则，即随机森林，根据随机森林得到的局部二值特征点对线性回归器进行训练以得到最终结果。详细过程会在后面介绍。算法的总体概览如下： 二、基于形状回归的人脸对齐算法 基于形...
利用3000fps把人脸面部抠出来（一）
风中落泪的花
05-24 1486
思路：思路很简单，前面有一篇讲了如何利用3000fps检测人脸特征点，把特征点检测出来之后，就有了人脸的大概轮廓。如下图。 上图只是显示了部分特征点，从0-16个特征点可以知道大概的脸型。 但是还有上半部分没有特征点，无法确定头发部分。怎么办呢？通过查看文献，其中这篇论文《Face Image Quality Assessment Based on Learning to Rank》提到了...
基于matlab使用3000fps代码实现人脸对齐
weixin_44456694的博客
06-06 277
基于matlab使用3000fps代码实现人脸对齐 一、 准备添加数据库datasets 二、 获得Path_Image.txt 进入datasets里的afw，test文件夹，通过get_path.bat文件获得当前目录下的所有.jpg文件的文件名。如果不是.jpg文件，也可以用.bat文件批量修改，实现方法附在第五点。 说明： 不论是训练集或者测试集都得先生成这个文件才能被读取，如果更换了文件位置后要重新生成。 三、 第三步训练样本库 将my_source内的文件train_1.mexw64添加
face alignment by 3000FPS 代码解析之一
xp215774576的专栏
04-15 2493
开始代码解析之路先解析难的函数 1.matlabpool (‘size’) <= 0 %是否打开并行运行 matlabpool(‘open’,’local’,4); %如果没有打开，就打开4个cpu else disp(‘Already initialized’); end 这里要看运行机器，如果是4核
face alignment by 3000 fps系列学习总结（三）
生如蚁，美如神
03-08 4485
训练我们主要以3000fps matlab实现为叙述主体。总体目标 我们需要为68个特征点的每一个特征点训练5棵随机树，每棵树4层深，即为所谓的随机森林。 开始训练 分配样本 事实上，对于每个特征点，要训练随机森林，我们需要从现有的样本和特征中抽取一部分，训练成若干个树。 现在，我们有N（此处N=1622）个样本（图片和shape）和无数个像素差特征。训练时，对于每棵树，我们从N
face alignment by 3000 fps系列学习总结
生如蚁，美如神
03-10 4348
我们主要讲一讲Github上给出的matlab开源代码《jwyang/face-alignment》的配置。 首先声明：本人第一次配置的时候也是参考了csdn一个作者和github给出的说明配置成功的。其实后来想想很简单的，但是可能对于初学者，还是有一定的困难。为此，本人将自己的一些心得列出来，以供参考。 另外，本人对代码做了详尽的注释，代码下载地址：http://pan.baidu.com/s
3000 fps代码运行步骤详解（C++）
SalterDucky的博客
09-03 1921
这是我看的第一篇关于人脸配准的文章，文章所述性能、速度均比较好，在普通笔记本性能下能达到3000fps的标记点定位，实际重现了一下，没有达到应有的效果。这篇文章就是对论文代码的复现，接下来的两周，我将继续研读这篇论文，并尽力复现作者的效果。
yolov5计算检测速度fps
最新发布
09-16
### 回答1： 要计算 YOLOv5 的检测速度 FPS (每秒处理帧数)，可以在模型推理时记录每个图像的开始和结束时间，并根据时间差计算 FPS。以下是计算检测速度 FPS 的代码示例： ```python import time import cv2 import torch from PIL import Image # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) # 读取测试图像 img_path = 'test.jpg' img = cv2.imread(img_path) # 将 OpenCV 图像转换为 PIL 图像 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) pil_img = Image.fromarray(img) # 检测图像并计算 FPS total_time = 0.0 num_frames = 100 for i in range(num_frames): start_time = time.time() results = model(pil_img, size=640) end_time = time.time() total_time += end_time - start_time fps = num_frames / total_time print(f'FPS: {fps:.2f}') ``` 在上面的代码中，我们使用 `time.time()` 函数来记录每个图像的开始和结束时间。我们将检测时间累加到 `total_time` 变量中，最后计算平均每秒处理帧数。请注意，此代码使用了 `size=640` 参数，这是图像的大小。如果输入图像的大小不同，则检测速度可能会有所不同。 ### 回答2： YOLOv5是一个用于目标检测的模型，其计算检测速度fps主要取决于以下几个因素。 首先，硬件设备是影响YOLOv5计算检测速度的重要因素之一。使用高性能GPU（如NVIDIA的GeForce RTX系列）可以加速YOLOv5的计算速度。较新的GPU具有更多的CUDA核心和更高的内存带宽，这对于大规模计算密集型任务如目标检测来说是非常关键的。 其次，YOLOv5的模型结构也会影响计算速度。YOLOv5相比于YOLOv4或YOLOv3等模型，采用了较轻量级的网络结构，具有更少的参数和计算量，这使得YOLOv5在计算速度方面更加高效。同时，YOLOv5引入了一些技术在保持准确性的同时提高了计算速度，如特征整合和跨阶段连接等。 最后，输入图像的分辨率也会对YOLOv5的计算速度产生影响。较高分辨率的图像需要更多的计算资源来进行处理，从而降低了计算速度。因此，在实际应用中需要权衡图像分辨率和计算速度之间的平衡。 总结来说，YOLOv5的计算检测速度fps受到硬件设备、模型结构和输入图像分辨率等因素的共同影响。为了提高YOLOv5的计算速度，可以选择较高性能的GPU设备，采用轻量级的模型结构，并根据任务需求选择适当的图像分辨率。 ### 回答3： YOLOv5是一个通过深度学习实现目标检测的模型，可以用于识别图像中的多个目标。FPS是每秒处理图像的帧数，也是衡量模型运行速度的指标之一。 YOLOv5的检测速度FPS是通过将模型应用于输入图像进行推理来计算的。首先，我们需要将输入图像传递给YOLOv5模型，并调用其推理函数。推理函数将图像作为输入，并返回检测到的目标的框和类别信息。 在推理函数调用之后，我们可以通过以下步骤来计算FPS： 1. 获取开始时间：在调用推理函数之前，使用系统时间函数记录开始时间。 2. 调用推理函数：将输入图像传递给YOLOv5模型的推理函数，执行目标检测操作。 3. 获取结束时间：在推理函数调用完成后，使用系统时间函数记录结束时间。 4. 计算FPS：将结束时间减去开始时间，得到模型执行的总时间。然后，将总时间除以图像数量（每秒处理的图像帧数）来计算FPS。 需要注意的是，要准确计算FPS，应该使用足够多的图像样本进行推理，并考虑到图像加载和预处理的时间。此外，还应根据计算设备的性能和模型的规模来考虑实际的FPS。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值