＜数据集＞AffectNet表情识别数据集＜目标检测＞

已于 2025-03-26 14:46:14 修改
阅读量1.3k 收藏 1
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 深度学习数据集 文章标签： 目标检测 人工智能 计算机视觉 YOLO python 表情识别
于 2024-07-22 19:09:49 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_53332949/article/details/140617293

数据集格式：VOC+YOLO格式

图片数量：23129张

标注数量(xml文件个数)：23129

标注数量(txt文件个数)：23129

标注类别数：23129

标注类别名称：Anger、Contempt、Disgust、Fear、Happy、Neutral、Sad、Surprise

序号类别名称图片数框数
1Happy25782578
2Disgust30683068
3Neutral20082008
4Contempt27282728
5Surprise38733873
6Sad26602660
7Fear29082908
8Anger33063306

使用标注工具：labelImg

标注规则：对类别进行画水平矩形框

图片示例：

标注示例：

处理表情识别中的坏数据：一篇CVPR 2020及两篇TIP的解读
迈微AI研习社 · 号主
08-10 2090
本篇提前看重点关注 CVPR 2020 中的这篇「Suppressing Uncertainties for Large-Scale Facial Expression Recognition」, 但在解读它之前，我们先有步骤的解读两篇 TIP 作为它的基础，最后详细介绍它的算法和思想。对比性的解读这三篇论文，也许能对研究者们自己的工作有所启发。
【实验必备】对AffectNet数据集进行人脸对齐的小Demo
信小海
04-18 2156
本文首先简单介绍了AffectNet数据集，及人脸关键点等背景知识，接着Po出了人脸对齐的代码及效果展示。注：本文代码参考自FG2021的Emotion-GCN的开源代码，具有一定的可靠性，欢迎大家学习！
人脸表情识别数据集分享（AffectNet、RAF-DB、FERPlus、FER2013、ck+）
Michael_Jay的博客
04-07 1685
人脸表情识别数据集分享（AffectNet、RAF-DB、FERPlus、FER2013、ck+）
AffectNet数据集资源下载说明：表情识别利器，一键快速获取
最新发布
gitblog_06780的博客
05-19 366
AffectNet数据集资源下载说明：表情识别利器，一键快速获取 【下载地址】AffectNet数据集资源下载说明 AffectNet数据集是一个专为表情识别研究设计的大规模资源，包含丰富的表情标签，为开发者和研究者提供了宝贵的实验材料。通过简单的网盘下载，您可以快速获取这一重要数据集，助力您的表情识别项目。使用前请确保...
AffectNet数据集下载剪裁清洗
Traceyfind的博客
07-12 2149
valence和arousal是心理学里面的术语，valence是衡量情感价值或者情感的愉悦度，正面情感具有高 valence，而负面情感具有低 valence。arousal是情感的激活或唤醒水平，Arousal 可以是高或低，高唤醒水平可能与兴奋、紧张或愤怒等情感状态相关，而低唤醒水平可能与放松、平静或无聊等状态相关。3.标注的内容和数据都放在csv表格里面，表头分别是：图片的相对路径，图像中表情人脸的坐标，facial_landmark（人脸标注点），表情类型，2）图片位置标注为NULL。
基于YOLOv10的情感识别与UI界面应用——AffectNet数据集
04-21 575
AffectNet是一个面部表情数据集，专门用于情感识别任务。它包含超过一百万张面部图像，并且每张图像都已标注了情感类别，适用于面部表情识别、情感计算以及相关的深度学习应用。通过本文的实现，我们利用YOLOv10进行了情感识别任务，并通过搭建Web UI界面，允许用户上传图像并实时查看识别结果。YOLOv10在情感识别中的应用展现了出色的性能，特别是在实时性要求较高的任务中具有显著优势。未来，我们可以进一步优化模型的准确性，加入更多的情感类别，提升系统的鲁棒性。
人脸表情识别数据集分享（内含AffectNet、Rafdb、Ferplus等数据集）
Michael_Jay的博客
08-28 3846
人脸表情识别数据集分享
＜项目代码＞YOLOv8表情识别＜目标检测＞
10-26
对于想要深入了解YOLOv8表情识别项目的开发者，可以通过项目介绍链接获得更多详细信息，同时也可以通过数据集介绍链接了解到用于训练模型的具体数据集信息。这样的项目不仅为表情识别领域提供了一个实践案例，也为...
＜项目代码＞YOLOv8 AffectNet表情识别＜目标检测＞
11-06
在这个特定的项目中，YOLOv8被应用于AffectNet数据集，这是一个广泛使用的表情识别数据集，包含了大量的面部表情图片。 项目代码的详细介绍可以在提供的链接中找到，其中包含了如何使用项目的详细步骤和相关信息。...
完整版CK表情识别数据集-网盘链接和密码
06-13
CK数据集是面部表情分析综合数据库，网盘里提供的CK数据集压缩包是一套齐全完整的数据库资源，其中包括以下文件：cohn-kanade.tgz；Cohn-Kanade Database FACS codes_updated based on 2002 manual_revised.xls；...
数据集VOC目标检测数据集人脸表情识别检测8类别A版-8279张可用yolo训练
01-11
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：8279 标注数量(xml文件个数)：8279 标注类别数：8 标注类别名称:["fear","sad","surprised","contempt","anger","neutral","disgust","happy"] 每个类别标注的框数： fear count = 1035 sad count = 1035 surprised count = 1035 contempt count = 1035 anger count = 1035 neutral count = 1034 disgust count = 1035 happy count = 1035 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：本次一共发布A,B,C,D四个版本，每个版本没有交叉重复的文件名，可以下载后混合在一起训练 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
AffectNet-preprocess:AffectNet数据集的预处理代码
05-02
AffectNet_preprocess AffectNet数据集的预处理代码
affectnet网盘地址.txt
08-19
用于表情识别，affectnet数据集
affectnet百度网盘地址+提取码
02-10
affectnet数据集，用于表情识别
人脸表情数据集CK+，图片分辨率48*48，包含7类表情
04-15
人脸表情数据集CK+是计算机视觉领域中一个广泛使用的数据集，主要用于研究和开发表情识别技术。这个数据集因其高质量的图像和丰富的表情类别而备受赞誉。以下是关于CK+数据集的一些关键知识点： 1. **数据集概述**...
Affectnet数据集 按标签值对图像进行分类
qq_43232373的博客
05-05 8098
Affectnet数据集 按标签值对图像进行分类(备忘) 设计目标如下： 首先，对Affectnet数据集中大概42万张图像，我们根据需要将arousal(或valence)的标注值-1到1，按步长0.2分为10个区间，统计每个区间的样本个数，并将整体的标记csv文件分成11个单独的csv文件，分别是-1.0–0.8， … ，0.8-1，第11个区间为图像中未检测到人脸的图像，其arousal和v...
【FER文献阅读】AffectNet: A Database for Facial Expression, Valence, and Arousal Computing in the Wild
weixin_43659089的博客
09-23 6022
一、文章概括 现有的in the wild数据库都比较小且都只适用于categorical模型。本文提倡的Affectnet数据库包含超过1,000,000张图片，用6种不同语言和1250个与情绪相关的关键词在三个网络引擎上进行收集。可用于categorical和valence&arousal两个不同的情绪模型。 二、介绍 人脸表情识别主要有三个模型：（1） categorical模型，...
yolo脸部表情识别数据集
12-27
### 寻找适用于YOLO脸部表情识别的数据集 对于面部表情识别的任务，选择合适的数据集至关重要。通常情况下，用于训练和测试的表情识别数据集应具备多样性、高质量以及足够的样本量来覆盖各种可能的情况。 #### 常见的面部表情识别数据集 1. **FER2013** FER2013 是一个广泛使用的公共情感分析数据库，包含了超过 35,887 张来自互联网的照片，每张照片都由人类标注者标记了七种基本情绪之一：愤怒、厌恶、恐惧、快乐、悲伤、惊讶和平静。该数据集被划分为训练集（28,709）、验证集（3,589）和测试集（3,589）。尽管原始图像分辨率较低，但其丰富的类别分布使其成为研究中的重要资源[^3]。 2. **AffectNet** AffectNet 数据库收集自网络上的自然场景图片，总共约有 1 百万幅带标签的脸部图像，其中大约 40% 的图像是人工审核过的高置信度样本。此集合不仅限于离散的情绪分类，还包括连续维度的情感评分（效价-唤醒），这使得它非常适合探索复杂多样的真实世界情境下的感情表达模式。 3. **CK+ (Cohn-Kanade Plus)** CK+ 提供了一组精心挑选并经过严格控制条件拍摄得到的序列化静态正面人脸图像，涵盖了八类典型情绪变化过程。由于采集环境受控良好且提供了精确的时间戳信息，因此特别适合用来开发和评估细微差别较大的动态表情识别系统。 为了适应 YOLO 模型的要求，在选用上述任何一个数据集之前，需将其转换成符合 YOLO 输入格式的标准形式——即每个文件夹内放置对应类别的子目录，并为每一项记录创建相应的 .txt 文件描述边界框位置与所属类别编号。具体操作可以参照如下 Python 脚本示范： ```python import os from xml.etree import ElementTree as ET def convert_voc_to_yolo(voc_annotation_dir, output_dir): """ 将 Pascal VOC XML 注解转化为 YOLO txt 格式的注解 参数: voc_annotation_dir : str - 存储 Pascal VOC XML 文件路径 output_dir : str - 输出 yolo 格式文本的位置 返回值: None """ if not os.path.exists(output_dir): os.makedirs(output_dir) for filename in os.listdir(voc_annotation_dir): if filename.endswith('.xml'): tree = ET.parse(os.path.join(voc_annotation_dir,filename)) root = tree.getroot() with open(os.path.join(output_dir,f"{filename[:-4]}.txt"), 'w') as f: size = root.find('size') width = int(size.find('width').text) height = int(size.find('height').text) for obj in root.findall('object'): label = obj.find('name').text bndbox = obj.find('bndbox') xmin = float(bndbox.find('xmin').text)/width ymin = float(bndbox.find('ymin').text)/height xmax = float(bndbox.find('xmax').text)/width ymax = float(bndbox.find('ymax').text)/height x_center = ((xmin+xmax)/2)-1 y_center = ((ymin+ymax)/2)-1 box_width = abs(xmax-xmin) box_height=abs(ymax-ymin) line=f'{label} {x_center:.6f} {y_center:.6f} {box_width:.6f} {box_height:.6f}\n' f.write(line) if __name__=='__main__': # 替换为你自己的VOC注释文件夹路径 voc_anno_path='/path/to/voc/annotations/' # 设置输出Yolo格式注释的目标文件夹 out_put_folder='./converted_annotations/' convert_voc_to_yolo(voc_anno_path,out_put_folder) ```
评论 5
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