人脸识别模型训练

最新推荐文章于 2024-07-23 19:58:12 发布
最新推荐文章于 2024-07-23 19:58:12 发布
阅读量1.3w 收藏 108
点赞数 12
分类专栏： pytorch 深度学习
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/weixin_40087578/article/details/88560676
版权
该博客介绍了使用PyTorch框架训练人脸识别模型的过程，重点推荐使用Center Loss而非Triplet Loss，因为其在vgg16网络上表现出更高的准确度。作者分享了训练代码，并提供了预训练模型的下载链接，数据集为vggface2，测试集为LFW，还包含了数据准备和环境设置的详细说明。
摘要由CSDN通过智能技术生成

github地址：  face-recognition-supervised-by-center-loss

这里介绍我训练的人脸识别模型，放到了github上，各位看官路过的可以点个star

简介

这个仓库我提供了训练人脸深度神经网络的代码，框架使用的是pytorch。损失函数用的是center_loss。同时也提供了triplet_loss的实现。但是根据我的训练经验，用triplet_loss训练没有用center_loss准确度高。所以推荐center_loss。网络我使用的是标准的vgg16。你也可以根据自己的需求换成resnet 或者其他。我相信会获得更高的准确度（大概高两三个百分点的样子）。因为工作需求我选择了vgg16。训练数据我选择的是vggface2(8631个id 及300万照片)。MSLM 有更多的数据，用MSLM 训练我相信结果h会再好一点（大概一两个百分点）。测试数据集我选择的是LFW

训练结果 

vgg16+vggface2:   测试准确度:  0.967     auc:  0.99

最低0.47元/天 解锁文章
lllily
关注
  • 12
    点赞
  • 踩
  • 108
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
专栏目录
人脸识别素有的训练模型
03-23
模型包括眼睛耳朵鼻子嘴巴眼镜等模型，可以直接用opencv10调用，使用极其方便 CvMemStorage* storage1 = 0; storage1 = cvCreateMemStorage(0) ; CvHaarClassifierCascade* cascade_e = 0; const char* cascade_name2 = "haarcascade_eye.xml"; cascade_e = (CvHaarClassifierCascade*)cvLoad( cascade_name2, 0, 0, 0 ); assert(cascade_e != NULL); //storage = cvCreateMemStorage(0) ; CvSeq *eyes = cvHaarDetectObjects( img, cascade_e, storage1, 1.1, 3, 0, cvSize(4, 5) ); int i; for( i = 0; i < (eyes ? eyes->total : 0); i++ ) { CvRect *eye = (CvRect*)cvGetSeqElem(eyes, i); cvRectangle( img, cvPoint(eye->x, eye->y), cvPoint(eye->x + eye->width, eye->y + eye->height), CV_RGB(255, 0, 0), 1, 8, 0); } //cvResetImageROI(img); cvClearMemStorage(storage1);
OpenCV实践之路——人脸识别之二模型训练
热门推荐
星沉阁
05-14 6万+
本文由@星沉阁冰不语出品，转载请注明作者和出处。 文章链接：http://blog.csdn.net/xingchenbingbuyu/article/details/51386949 微博：http://weibo.com/xingchenbing  在之前的博客人脸识别之一数据收集和预处理之中，已经下载了ORL人脸数据库，并且为了识别自己的人脸写了一个拍照程序自拍
干货！大模型的训练过程详解
最新发布
Python_cocola的博客
07-23 1594
这一年当中算法技术的发展可以说是日新月异。今天和大家聊聊大模型的训练的三个阶段，分别为有监督学习（SFT）、奖励模型训练（RW）与强化学习（PPO）阶段，我对以上的训练过程会加上一些自己的理解。GPT使用Transformer decoder部分作为语言模型的框架，并将decoder中的Multi-head Attention层删除，其结构和计算过程如上图。
人脸识别之二模型训练
曾哥哥的博客
04-02 3097
在人脸识别之一，已经做好人脸库了。在这一篇，进行人脸识别模型的训练。一、数据准备即生成csv文件有了人脸库数据，我们需要在程序中读取它，这里需借助csv文件去读取人脸库中的图像数据。一个csv文件格式：图片路径名+标签，如/path/to/image.jpg;1假设人脸图像路径：/path/to/image.jpg我们给这个人脸图像一个标签“1”，这个标签代表这个人的名字，同一个人的人脸图像标签须...
人脸验证与识别——从模型训练到项目部署
知来者逆的博客
04-19 9253
人脸验证比对识别，从模型训练（Pytorch）到项目落地部署（C++），可以用人脸登录，门禁，人脸签到等项目。
人脸识别-对数据的训练
am_student的博客
01-14 3585
人脸识别中的数据处理部分，怎么去训练数据。
人脸识别模型,人脸识别模型训练,Python
09-10
在这个场景中，我们关注的是如何使用Python编程语言以及dlib库来实现人脸识别模型的训练和应用。dlib是一个强大的C++库，提供了多种机器学习算法，其中包括用于人脸识别的预先训练的模型。 首先，Python作为当前最...
一种增强人脸识别模型训练稳定性的损失函数.pdf
09-23
论文“一种增强人脸识别模型训练稳定性的损失函数”由周书田、颜信和谢镇汕提出，他们关注的是如何通过改进损失函数来改善人脸识别模型在训练过程中的收敛稳定性。 传统的深度学习人脸识别系统通常包括人脸检测、...
人脸识别模型,人脸识别模型训练,Python源码.zip
10-15
总的来说，这份压缩包提供了关于人脸识别模型训练的Python实现，对于想要学习和掌握这一技术的人来说是一份宝贵的资源。通过深入理解和实践这些代码，你将能够建立自己的人脸识别系统，并对这一领域的前沿技术有更...
人脸识别模型训练总结1
08-08
### 人脸识别模型训练总结 #### 一、人脸区域检测样本标注 在进行人脸识别模型的训练前，首先要准备训练数据，即对人脸区域进行标注。本案例中使用的是Dlib库自带的标注工具——ImageLab。 1. **安装与配置：** ...
一种增强人脸识别模型训练稳定性的损失函数.docx
12-15
增强人脸识别模型训练稳定性的损失函数 在人脸识别领域，深度学习已经取得了巨大的成就，并广泛应用于金融认证、门禁控制等领域，创造了巨大的经济价值和社会价值。为了提高人脸识别模型的训练稳定性，本文提出了一...
训练好的人脸模型 训练代码 人脸库
05-31
在vs2010+opencv2.4.9运行环境，通过特征脸、PCA、LBPH三种方法分别训练生成了三个分类器，有训练源代码（加详细注释）和含有400张92*112人脸的数据库！
TensorFlow实现人脸识别(5)-------利用训练好的模型实时进行人脸检测
03-05
TensorFlow实现人脸识别(5)-------利用训练好的模型实时进行人脸检测 具体解释参考：http://blog.csdn.net/yunge812/article/details/79447584
人脸识别训练集
06-25
https://blog.csdn.net/codes_first/article/details/79223524对应的训练集
亚洲人脸识别训练模型
02-15
亚洲人脸识别训练模型，包括68_point模型，以及v1_for_asian模型
人脸识别训练库
10-08
这是开源的，只上传了这两个库haarcascade_eye.xml和haarcascade_frontalface_alt_tree.xml，用来进行人脸识别，没有代码示例
python人脸识别训练模型_python机器学习进行精准人脸识别
weixin_39997400的博客
11-23 2967
人脸识别准确率低？上一篇我们讲了使用OpenCV进行人脸识别的最基础操作。但是从最后的效果可以看出，识别率、效率都很低，而且误检率比较高，识别过程中，系统资源占用相当大，实在是没办法在实际场合中使用。在opencv3.4 版之前自带的人脸检测器是基于Haar算法实现的，不仅检出率低，而且脸的角度稍大一些就检测不出来。但是随着深度学习领域的发展，涌现了一大批效果相当不错的人脸检测算法。人脸检测方式对...
人脸识别：史上最详细人脸识别adaface讲解-模型训练与测试--第二节
xingjh1的博客
09-02 4058
上一章节，我们谈到了如何下载资源和制作训练的数据集，我相信大家处理后的结果和我下面的一样（如下图），这个图像有500w+张，我就不打开这个文件夹给大家看了，好了，我们现在开始我们的模型训练了，模型能正常打通训练，才能做别的东西，如果你训练都训不起来，那谈什么修改网络啥的呢，对吧~
基于FaceNet的实时人脸识别训练
m0_73122726的博客
12-31 1815
基于FaceNet的实时人脸识别训练
dlib人脸识别模型训练
07-15
要训练dlib人脸识别模型，您可以按照以下步骤进行操作： 1. 收集并准备数据集：获取一组包含人脸的图像，并将它们分为训练集和测试集。确保每个图像都标记有相应的人脸边界框或关键点。 2. 安装dlib库：在Python环境中安装dlib库。您可以使用pip命令来安装它：`pip install dlib`。 3. 数据集标注：使用dlib提供的工具（如imglab）标注您的数据集，以标记每个人脸的边界框或关键点。这些标注将用于训练模型。 4. 特征提取和训练：使用dlib库中的特征提取器和机器学习算法来训练人脸识别模型。以下是一个示例代码来完成这个步骤： ```python import dlib # 加载已标注的数据集 options = dlib.simple_object_detector_training_options() training_xml_path = 'training.xml' dlib.train_simple_object_detector(training_xml_path, 'model.svm', options) ``` 在上述示例中，我们使用`dlib.simple_object_detector_training_options()`创建训练选项。然后，我们使用`dlib.train_simple_object_detector()`函数来训练模型。其中，`training_xml_path`是已标注数据集的XML文件路径，`model.svm`是训练后的模型文件的保存路径。 5. 模型评估和调优：使用测试集来评估训练的模型的性能。根据需要，您可以调整训练选项和参数，以提高模型的准确性和鲁棒性。 6. 应用模型：将训练好的人脸识别模型应用于新的图像或视频数据中，以进行人脸检测和识别。 请注意，这只是一个简单的示例，实际训练过程可能因您的数据集和需求而有所不同。同时，可能需要更多的数据和更复杂的模型来获得更好的识别结果。 希望这些步骤能帮助您开始使用dlib进行人脸识别模型的训练。如果您需要更详细的说明或有其他问题，请随时提问。
评论 10
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