人脸属性数据数据集汇总

IMDB-WIKI

量级:超过50w张,460723张来自IMDB 和62328来自WIKI。

标签:性别+年龄

特点:年龄分布均衡

链接:https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/

Adience

量级:2w6

标签:年龄+性别

特点:真实场景抓拍

链接:https://talhassner.github.io/home/projects/Adience/Adience-data.html

LFW+

量级:15699

标签:年龄+性别+种族

特点:LFW扩展

链接:http://biometrics.cse.msu.edu/Publications/Databases/MSU_LFW+/

IMFDB

量级:34512 images +100 videos

标签:性别+姿态+年龄等多种标签

特点:印度人脸
链接:http://cvit.iiit.ac.in/projects/IMFDB/

McGillFaces

量级:18000 images from 60 videos(640*480)

标签:性别等

特点:视频序列数据库

链接:https://sites.google.com/site/meltemdemirkus/mcgill-unconstrained-face-video-database/ (需要科学上网)

AR Face

量级:4000+images from 126 people

标签:性别+表情+眼镜等

特点:性别比例较均衡,照片属性种类多样

链接:http://www2.ece.ohio-state.edu/~aleix/ARdatabase.html

UTKFace

量级:20000+

标签:性别+年龄+种族

特点:年龄跨度较大,属性多样

链接:https://susanqq.github.io/UTKFace/

CelebA

量级:20w+

标签:40个属性标签(年龄为第21)

特点:量级大,属性标签全

链接:http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

AFAD

量级:16w+

标签:年龄

特点:主要针对亚洲人,样本来自社交网络,专为年龄属性定制

链接: http://afad-dataset.github.io/

FACEDB+

量级:16128

标签:光照+姿态

链接:http://vision.ucsd.edu/~iskwak/ExtYaleDatabase/ExtYaleB.html

UNBC-McMasterJAFFE

量级:48398

标签:表情

特点:主要针对疼痛表情

链接:http://www.pitt.edu/~emotion/um-spread.html

FERET

量级:1w+

标签:年龄+表情+光照+姿态

链接:http://www.nist.gov/itl/iad/ig/colorferet.cfm

CMU-PIE

量级:4w+

标签:光照+表情+姿态

特点:姿态和光照条件严格控制

链接:http://www.cs.cmu.edu/afs/cs/project/PIE/MultiPie/Multi-Pie/Home.html

CARC

量级:16w+

标签:年龄

特点:来源于网络名人

链接:http://bcsiriuschen.github.io/CARC/

VGGFACE2

 

量级:33w+

标签:年龄+姿态+光照等

特点:量级大,ID多

链接:http://www.robots.ox.ac.uk/~vgg/data/vgg_face2/

APPA-REAL

量级:7591

标签:年龄

链接:http://chalearnlap.cvc.uab.es/dataset/26/description/

PubFig

量级:13233

标签:多种属性

链接:http://www.cs.columbia.edu/CAVE/databases/pubfig/

 

  • 4
    点赞
  • 35
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 人脸识别数据集通常是用于训练和测试人脸识别算法的数据集。Python是一种常用的编程语言,因其易学易用和强大的数据处理能力,广泛应用于数据科学和人工智能领域,也被用于处理人脸识别数据集。 在Python中,有一些常用的人脸识别数据集可以使用,如LFW数据集、CelebA数据集和FERET数据集等。这些数据集包含了很多人脸图像以及相应的标签信息,可以用于训练模型和评估算法性能。 使用Python进行人脸识别数据集的处理可以借助一些开源的库和工具。例如,OpenCV是一个常用的图像处理库,可以用于读取、预处理和显示人脸图像。另外,对于深度学习模型的训练,可以使用TensorFlow或PyTorch等框架,这些框架提供了丰富的函数和接口,方便处理图像数据集。 在处理人脸识别数据集时,常见的任务包括数据预处理、特征提取和模型训练。数据预处理阶段可以包括图像裁剪、大小调整和亮度均衡等操作,以便提高模型性能。特征提取是将图像转换为适合机器学习算法处理的向量表示,可以采用传统的特征提取方法或者使用深度学习模型对图像进行特征编码。模型训练阶段可以使用监督学习算法,如支持向量机、K近邻或者深度神经网络等。 通过Python中的人脸识别数据集处理技术,可以实现人脸识别算法的训练和调优,进而应用于人脸识别、身份验证、安全监控等领域。 ### 回答2: Python人脸识别数据集是一组用于训练和评估人脸识别算法的数据集。这些数据集包含了一系列人脸图像和对应的标签或注释信息。人脸识别数据集是计算机视觉领域的一个重要资源,用于帮助开发人员训练出准确高效的人脸识别模型。 Python人脸识别数据集包含大量的人脸图像,这些图像来自于不同的来源和环境,涵盖了不同的年龄、性别、肤色、表情等因素。数据集中的每个图像都会有对应的标签或注释信息,用于告知计算机哪些图像中的人脸属于同一个人。 使用人脸识别数据集,可以通过使用特定的算法和技术来训练一个模型,使其能够在未来的图像中准确地检测和识别人脸。通过不断改进和优化模型,可以提高人脸识别的准确性和鲁棒性。 Python人脸识别数据集的应用非常广泛。它可以用于安全系统,如人脸识别门禁系统,通过对比图像中的人脸与已知的数据库中的人脸进行匹配来实现安全认证。此外,它还可以用于视频监控和调查犯罪活动。人脸识别数据集还能够用于基于人脸的情绪分析、年龄和性别识别等应用。 总之,Python人脸识别数据集是一个重要的资源,提供了训练和评估人脸识别算法的样本图像和相关标签。通过使用这些数据集,开发者们可以训练出准确和高效的人脸识别模型,实现各种实际应用。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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