孪生（siamese）模型训练及测试

已于 2024-02-23 13:30:09 修改
阅读量1.1k 收藏 20
点赞数 9
分类专栏： # 爬虫笔记 文章标签： python windows 爬虫 后端 目标检测 深度学习 图像处理
于 2024-01-18 15:19:11 首次发布
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/qq_49268524/article/details/135675169
版权

孪生（siamese）模型训练集制作及测试模型（记录一下，大佬勿喷）

一、环境搭建

1、从github上下载源码 https://github.com/bubbliiiing/siamese-pytorch/tree/bilibili

2、根据大佬的步骤搭建环境即可（很简单，这里就不展开了）

二、创建自己的训练集

1、训练集文件格式
- image_background
	- character01
		- 0709_01.png
		- 0709_02.png
		- ……
	- character02
	- character03
	- ……
2、使用小工具快速制作数据集

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3、开始训练自己的数据集

在这里插入图片描述

4、模型测试

在这里插入图片描述
在这里插入图片描述

三、总结

1、搭建好环境
2、制作训练集
3、开始训练
4、测试模型效果
5、小工具下载地址：下载地址
只是记录一下自己使用过程，如有不妥之处，还望大佬们嘴下留情，谢谢！！！
小爬菜
关注
  • 9
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
订阅专栏
siamese模型码详解（每一句代码都有解释！！！）
li15006474642的博客
02-18 3413
最近在研究Siamese模型来进行文本相似度的计算，今天就做一期代码详解，每一行的代码都会做出相应的解释，对于初学LSTM的人来说读懂代码是非常有必要的，Siamese模型就是将两个句子（训练数据）通过embeding层（word2vec）分别输入到LSTM进行运算，并共享参数，利用损失函数不断的进行正向传播和反向传播来优化参数，最终达到成为一个比较优秀的模型 原理就不在细说了，这里主要是把代码解...
siamese mnist 孪生网络例子
08-05
在mnist数据集上简单实现了孪生网络的tensorflow代码，包括训练过程，测试过程和图示过程。代码包中自带图像，可以直接运行。
孪生网络：图片相似度对比神器
aibigtruth的博客
06-28 1555
孪生网络可以看做分类模型，输出是0和1的分类。只不过这种分类的对象是两张图片，而传统分类则是一张图片。传统分类若想增加一类则需要大量这类图片数据集并重新训练，而孪生网络在训练结束后只需要一张对比图片放入比对库中即可，无需重复训练模型。孪生网络用于特征提取的网络可以多种多样，比如VGG、Resnet等都可以作为特征提取网络。基于特征比对的思想，人脸识别等应用也不一定要用孪生网络，传统的图像算法只要能获取人脸特征，并用一维向量表示这些特征，也是可以用的。
Siamese网络(孪生网络)
图像研究猿的专栏
12-13 1万+
1. WhySiamese 在人脸识别中，存在所谓的one-shot问题。举例来说，就是对公司员工进行人脸识别，每个员工只有一张照片（因为每个类别训练样本少），并且员工会离职、入职（每次变动都要重新训练模型是不现实的）。如果当成分类问题，直接训练模型进行人脸识别在实际应用中是不可行。 为了解决one-shot问题，我们会训练一个模型来输出给定两张图像的相似度，所以模型学习得到的是simila...
孪生网络（Siamese Network）
永远相信美好的事情即将发生
08-27 9076
孪生网络（Siamese Network）是一类神经网络结构，它是由两个或更多个完全相同的网络组成的。孪生网络通常被用于解决基于相似度比较的任务，例如人脸识别、语音识别、目标跟踪等问题。孪生网络的基本思想是将输入数据同时输入到两个完全相同的神经网络中，这两个网络共享相同的权重和参数。通过学习输入数据在这两个网络中的表示，孪生网络可以计算出两个输入样本之间的相似度。
孪生（siamese）网络的训练（keras 和 pytorch）
hushunda博客
04-21 5585
先放资料 论文 pytorch教程 官网例子 孪生网络相关资料 1.最初的论文 论文Learning to Compare Image Patches via Convolutional Neural Networks 论文分析https://blog.csdn.net/shenziheng1/article/details/81226123 孪生网络的论文很多，没有太多时间阅读，之...
人工智能(pytorch)搭建模型14-pytorch搭建Siamese Network模型(孪生网络)，实现模型的训练与预测
weixin_42878111的博客
06-26 6335
大家好，我是微学AI，今天给大家介绍一下人工智能(pytorch)搭建模型14-pytorch搭建Siamese Network模型(孪生网络)，实现模型的训练与预测。孪生网络是一种用于度量学习（Metric Learning）和比较学习（Comparison Learning）的深度神经网络模型。它主要用于学习将两个输入样本映射到一个共享的嵌入空间，并衡量它们之间的相似性。 孪生网络通常由两个相同的子网络组成，这两个子网络共享参数和权重。每个子网络将输入样本分别映射到嵌入空间中的特征向量。这些特征向量可以
元学习 & Meta Learning & Few-Shot Learning 二 || 孪生网络 (Siamese Network)
qq1803291168
04-23 2616
元学习 & Meta Learning & Few-Shot Learning 二 || 孪生网络 (Siamese Network)
Siamese Network(孪生神经网络)详解
最新发布
m0_73776435的博客
03-14 2258
孪生神经网络的主干特征提取网络的功能是进行特征提取，各种神经网络都可以适用，eg：VGG16 ，下图能反映VGG16结构特征：1、一张原始图片被resize到指定大小，本文使用105x105。2、conv1包括两次[3,3]卷积网络，一次2X2最大池化，输出的特征层为64通道。3、conv2包括两次[3,3]卷积网络，一次2X2最大池化，输出的特征层为128通道。4、conv3包括三次[3,3]卷积网络，一次2X2最大池化，输出的特征层为256通道。
深度学习入门（5）如何对神经网络模型训练结果进行评价
阿旭的博客
12-09 1万+
如何对神经网络模型训练结果进行评价 上一篇文章《深度学习入门（4）【深度学习实战】无框架实现两层神经网络的搭建与训练过程》介绍了基于mnist的手写体数字集的两层神经网络的搭建与训练过程，通过损失函数的训练结果我们可以发现，随着训练的进行，损失函数逐渐减小，但是光这一点并不能很好的说明该神经网络的训练结果能够很好的对于其他数据也能够达到同样的精确度。这就涉及到神经网络的泛化能力问题。神经网络学习的最初目标是掌握泛化能力，因此，要评价神经网络的泛化能力，就必须使用不包含在训练数据中的数据。 过拟合 神经网络的
Siamese 详解
calvinpaean的博客
11-15 1万+
本博客引用： https://blog.csdn.net/ybdesire/article/details/84072339 https://blog.csdn.net/u011808673/article/details/84025349 摘要 Siamese网络用途，原理，如何训练？ 背景 在人脸识别中，存在所谓的one-shot问题。举例来说，就是对公司员工进行人脸识别，每个员工只给你一张照...
Siamese孪生网络-完整代码-基于Tensorflow实现，已跑通
12-24
5. **评估与测试**：模型训练完成后，可能包含评估和测试部分，用于验证模型在未见过的数据上的表现。这可能涉及到构建一个测试集，计算预测的准确性和其他性能指标。 6. **示例与应用**：压缩包可能还包含一些示例...
SiameseNetwork(应用篇2)：孪生网络用于图像块匹配
02-24
我考虑到图像会发生大规模的形貌尺度等变化，所以直接训练了一个CNN模型进行参数拟合。特别的，我研究了很多的神经网络框架，主要探索了那些网络结构更胜任图像匹配问题。同时，我也进行了大量的数据测试，结果证明...
孪生网络数据集【data.7z】
03-03
训练集用于调整模型参数，验证集用于选择最佳模型超参数（例如学习率、正则化强度等），而测试集则是用来评估最终模型的性能。本数据集提供的切分表明，它已经过专业处理，适合初学者直接进行实验。 对于具体的模型...
siamese_tensorflow_mnist
11-29
TensorFlow的灵活性和高效性使得开发者可以方便地构建复杂的网络架构，并且能够方便地在GPU上进行并行计算，加速模型训练。 **3. MNIST数据集** MNIST是手写数字识别的标准数据集，包含60,000个训练样本和10,000个...
神经网络学习小记录51——Keras搭建孪生神经网络（Siamese network）比较图片相似性
热门推荐
Bubbliiiing的学习小课堂
07-29 2万+
神经网络学习小记录51——Keras 搭建孪生神经网络比较图片相似性学习前言什么是孪生神经网络孪生神经网络的实现思路一、预测部分1、主干网络介绍 学习前言 最近学习了一下如何比较两张图片的相似性，用到了孪生神经网络，一起来学习一下。 什么是孪生神经网络 简单来说，孪生神经网络（Siamese network）就是“连体的神经网络”，神经网络的“连体”是通过共享权值来实现的，如下图所示。 所谓权值共享就是当神经网络有两个输入的时候，这两个输入使用的神经网络的权值是共享的（可以理解为使用了同一个神经网络）。
caffe训练siamese网络（行人数据集）
村民的菜篮子
06-11 1507
参考博客：https://blog.csdn.net/gybheroin/article/details/54133556#commentsedit 环境：windows10 x64 ,caffe, cuda 10.1，cudnn 7.5 数据集：行人数据集 文件夹目录结构： ----------------------------------数据准备---------------...
训练一个Siamese网络
yang_502的博客
05-26 5794
关于Siamese网络      Siamese网络最早是94年NIPS的文章《Signature Verification using a" Siamese" Time Delay Neural Network》提出用来做签名验证的一个网络，大家不要被名字唬到，其本质就是一个多分支参数共享的网络结构。在05年CVPR上《Learning a Similarity Metric Discrimi
测试训练好的siamese网络
村民的菜篮子
06-21 1539
在这篇博客中https://blog.csdn.net/sinat_33486980/article/details/91440461新训练了单分支的siamese网络。 参考了论文：Online Multi-Object Tracking with Historical Appearance Matching and Scene Adaptive Detection Filtering 结...
用于训练人脸识别模型的完整代码
05-14
人脸识别是一个复杂的领域，需要大量的数据和计算资源。以下是一个简化的人脸识别模型训练的代码示例： 1. 准备数据集 首先，需要准备一个包含人脸图像和对应标签的数据集。可以使用公共数据集，如Labeled Faces in the Wild (LFW)或自己的数据集。数据集应该被分成训练集和测试集。 2. 数据预处理 在训练和测试之前，需要对数据进行预处理。常见的预处理包括对图像进行裁剪、缩放、灰度化、直方图均衡化等。此外，还需要将标签转换成数字编码，例如将人名转换成数字ID。 3. 构建模型 人脸识别模型通常使用深度神经网络构建。常见的网络架构包括卷积神经网络和Siamese网络。这里我们使用一个简单的卷积神经网络： ```python import tensorflow as tf from tensorflow.keras import layers model = tf.keras.Sequential([ layers.Conv2D(64, (3, 3), activation='relu', input_shape=(128, 128, 3)), layers.MaxPooling2D((2, 2)), layers.Conv2D(128, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Conv2D(256, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Flatten(), layers.Dense(128, activation='relu'), layers.Dense(num_classes, activation='softmax') ]) ``` 4. 训练模型 在训练之前，需要定义损失函数和优化器。常见的损失函数包括交叉熵和均方误差。常见的优化器包括随机梯度下降和Adam优化器。此外，还需要定义评估指标，例如准确率和召回率。 ```python model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels)) ``` 5. 评估模型 训练完成后，需要评估模型的性能。可以使用测试集来评估模型的准确率和召回率。还可以绘制训练和验证损失和准确率的曲线。 ```python test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print('Test accuracy:', test_acc) ``` 6. 使用模型进行预测 在模型训练完成后，可以使用模型进行预测。给定一个新的人脸图像，模型将预测其对应的标签。 ```python predictions = model.predict(new_images) for i in range(len(predictions)): print("Prediction:", class_names[np.argmax(predictions[i])]) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
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