Advertisement

RetinaFace-PyTorch: 该源码可用于训练自定义模型

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
RetinaFace-PyTorch是一款基于PyTorch框架的人脸关键点检测和面部属性识别的代码库，支持用户定制化模型训练。 Retinaface：人脸检测模型在Pytorch中的实现目录性能情况及训练数据集： - 权值文件名称： - Retinaface_mobilenet0.25.pth（适用于MobileNet架构） - Retinaface_resnet50.pth（适用于ResNet50架构） - 测试数据集输入图片大小：1280x1280 - 性能情况： - Easy: 89.76% - Medium: 86.96% - Hard: 74.69% （使用Retinaface_mobilenet0.25.pth） - 性能情况： - Easy: 94.72% - Medium: 93.13% - Hard: 84.48% （使用Retinaface_resnet50.pth） 注意事项：本库下载后可以直接进行预测，已经在model_data文件夹下存放了Retinaface_mobilenet0.25.pth文件，可用于预测。如果想要使用基于ResNet50的retinaface，请下载相应的权重文件。 所需环境： - Pytorch - 其他依赖项（具体请参阅文档或README）

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • RetinaFace-PyTorch: 该源码可用于训练自定义模型
    优质
    RetinaFace-PyTorch是一款基于PyTorch框架的人脸关键点检测和面部属性识别的代码库，支持用户定制化模型训练。 Retinaface：人脸检测模型在Pytorch中的实现目录性能情况及训练数据集： - 权值文件名称： - Retinaface_mobilenet0.25.pth（适用于MobileNet架构） - Retinaface_resnet50.pth（适用于ResNet50架构） - 测试数据集输入图片大小：1280x1280 - 性能情况： - Easy: 89.76% - Medium: 86.96% - Hard: 74.69% （使用Retinaface_mobilenet0.25.pth） - 性能情况： - Easy: 94.72% - Medium: 93.13% - Hard: 84.48% （使用Retinaface_resnet50.pth） 注意事项：本库下载后可以直接进行预测，已经在model_data文件夹下存放了Retinaface_mobilenet0.25.pth文件，可用于预测。如果想要使用基于ResNet50的retinaface，请下载相应的权重文件。 所需环境： - Pytorch - 其他依赖项（具体请参阅文档或README）
     
  • PSPNet-PyTorch: 用于训练自定义模型的源代码
    优质
    PSPNet-PyTorch是一款基于PyTorch框架开发的代码库，专为训练个性化图像分割模型设计。它提供了一个灵活且高效的平台，助力研究者快速实现并优化自己的深度学习项目。 PSPNet：Pyramid Scene Parsing Network是一种语义分割模型，在Pytorch中的实现情况如下： - **训练数据集**：VOC12+SBD - **测试数据集**：VOC-Val12473x473 - **输入图片大小**: 473x473 - **mIOU（在VOC拓展数据集上的表现）**: - PSPNet+MobileNetv2: 68.59% - PSPNet+Resnet50: 81.44% 所需环境： - torch==1.2.0 注意事项：代码中的`pspnet_mobilenetv2.pth`和`pspnet_resnet50.pth`是基于VOC拓展数据集训练的。在进行训练和预测时，需要根据具体情况修改backbone。 文件下载提示：所需的权重文件（如训练用到的 `pspnet_mobilenetv2.pth` 和 `pspnet_resnet50.pth`）可以通过百度网盘下载得到。 链接及提取码请自行查找。
     
  • RetinaNet-PyTorch: 适用于自定义模型训练的源代码
    优质
    简介：RetinaNet-PyTorch 是一个用于自定义模型训练的高质量开源代码库，基于PyTorch框架实现，提供灵活且高效的物体检测解决方案。 Retinanet：目标检测模型在Pytorch中的实现 目录性能情况： - 训练数据集：VOC07+12 - 测试数据集：VOC-Test07 - 输入图片大小：600x600 - mAP 0.5: 81.56% - mAP 0.5:0.95 所需环境： torch==1.2.0 文件下载： 训练所需的retinanet_resnet50.pth可以在百度云下载。 VOC数据集下载地址如下： - VOC2007+2012训练集 - VOC2007测试集 预测步骤： a、使用预训练权重。首先解压库，然后在百度网盘下载retinanet_resnet50.pth，并放入model_data目录中，运行predict.py文件并输入img/street.jpg。 b、利用video.py可以进行摄像头检测。 c、使用自己训练的权重按照上述步骤操作即可。
     
  • Yolov4-Pytorch源码：适用于自定义模型训练的代码库
    优质
    本项目提供了基于PyTorch实现的YOLOv4深度学习目标检测框架源码，便于用户进行模型定制与训练。 YOLOV4：您只看一次目标检测模型在pytorch当中的实现 2021年2月7日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 目录： - 性能情况 - 训练数据集权值文件名称测试数据集输入图片大小行动计划0.5：0.95 行动计划0.5 - VOC07 + 12 + 可可VOC-Test07，416x416 -- 89.0 - 2017年COCO火车 COCO-Val2017, 416x416, mAP: 46.1 (box), 70.2 (seg) 实现的内容： - 主干特征提取网络：DarkNet53 => CSPDarkNet53 - 特征金字塔：SPP，PAN - 训练用到的小技巧：马赛克数据增强，标签平滑，CIOU，学习率余弦逐步衰减 - 激活函数：使用Mish激活函数 所需环境： 火炬== 1.2.0 注意事项： 代码中的yolo4_we
     
  • EfficientDet-Keras: 一个可用于自定义模型训练的源代码
    优质
    EfficientDet-Keras是基于Keras框架开发的一个高效目标检测库，支持用户轻松定制和训练个性化模型。 Efficientdet是一种可扩展且高效的物体目标检测模型，在Keras中的实现情况如下： - 训练数据集：VOC07+12 - 权值文件名称：Efficientdet-D0和Efficientdet-D1的voc权重，以及Efficientnet-b0到Efficientnet-b7的权重。 - 测试数据集：VOC-Test07 - 输入图片大小：512x512、640x640 - mAP 0.5:0.95 ：83.2（对于输入大小为512x512的情况） - mAP 0.5 ：84.2（对于输入大小为640x640的情况） 所需环境： tensorflow-gpu==1.13.1 keras==2.1.5 训练所需的h5文件可以在百度网盘下载，包括Efficientdet-D0和Efficientdet-D1的voc权重以及用于迁移学习的Efficientnet-b0到b7的权重。这些可以直接用于预测。 VOC数据集可以从相关平台或网站获取，其中包括2007年与2012年的训练集合。
     
  • RetinaFace的PyTorch人脸检测训练代码及预训练模型，基于WIDERFACE数据集
    优质
    本项目提供RetinaFace的人脸检测PyTorch训练代码和预训练模型，适用于研究与开发。训练过程采用WIDERFACE数据集，实现高精度的人脸定位、关键点检测等功能。 1. 提供了基于Pytorch的人脸检测SOTA算法RetinaFace模型的代码实现； 2. 训练数据集可通过网盘下载链接获取，并将其解压到指定目录以运行训练代码； 3. 下载数据集后，通过运行train.py脚本可以开始训练过程，默认配置使用mobilenet网络架构。如需更改，请在train.py中将parser参数修改为resnet进行训练； 4. 提供了预训练好的mobilenet模型pth文件，可以直接用于测试或推理任务。
     
  • 使用PyTorch加载预训练模型并训练特定层
    优质
    本教程介绍如何利用PyTorch框架加载预训练模型，并微调特定网络层以适应新的机器学习任务。适合中级开发者参考。 在PyTorch中使用预训练模型是深度学习中的常见做法，因为它们能利用大规模数据集预先学到的特征来提升性能。本段落将详细介绍如何加载预训练模型后仅针对特定层进行训练，这对于微调或迁移学习非常关键。 1. **加载预训练模型参数** 当您有一个已有的预训练模型文件（例如`Pretrained_Model.pth`），可以利用`torch.load()`函数读取其中的参数。然后创建一个新的模型结构，并使用`model.load_state_dict(pretrained_params.state_dict(), strict=False)`方法将这些预训练参数迁移到新模型中，这里设置为`strict=False`是为了允许不完全匹配的情况。 2. **指定层训练** 如果想要在加载了预训练模型后仅让某些特定的层参与训练，需要通过遍历`model.named_parameters()`来控制哪些参数可以更新。例如，若要冻结所有卷积层，则可以通过检查参数名称是否包含conv来进行设置： ```python for name, param in model.named_parameters(): if conv in name: param.requires_grad = False ``` 接着，在初始化优化器如`torch.optim.Adam()`时，只传递那些设置了`requires_grad=True`的参数。这样优化器只会更新这些可训练的参数。 3. **不同学习率** 在某些场景下，可能需要为模型的不同部分设置不同的学习速率。这可以通过向optimizer提供一个包含多个字典（每个字典定义一组参数和对应的学习速率）列表来实现： ```python encoder_params = [param for name, param in model.named_parameters() if encoder in name or viewer in name] decoder_params = [param for name, param in model.named_parameters() if decoder in name] optimizer = torch.optim.Adam([ {params: encoder_params, lr: 1e-6}, {params: decoder_params, lr: 1e-4} ], lr=1e-4, momentum=0.9) ``` 这样，`encoder`和`viewer`的参数将以较小的学习率（如1e-6）更新，而`decoder`则以较大的学习率（如1e-4）进行优化。 总结来说，通过灵活地控制哪些层参与训练以及它们各自的学习速率，在PyTorch中加载预训练模型并对其进行微调是可能的。这种方法在迁移学习、模型融合或调整性能时特别有用。根据具体任务和需求适当修改这些策略以获取最佳效果非常重要。
     
  • 利用pytorch-superpoint和pytorch-superglue进行自定义数据集的训练
    优质
    本项目旨在使用PyTorch框架下的SuperPoint与SuperGlue模型，针对特定视觉任务优化，并基于用户定制的数据集开展深度学习训练。通过调整模型参数及采用创新性损失函数，以提升特征匹配精度和鲁棒性，在计算机视觉领域如图像检索、物体识别等方面展现应用潜力。 SuperPoint与SuperGlue的组合可以实现基于深度学习的图像配准。官方发布的SuperPoint与SuperGlue模型均是基于COCO数据集进行训练的，这可能与业务中的实际数据存在一定的差距。因此，我们希望通过开源项目pytorch-superpoint和pytorch-superglue来训练自己的数据集，并优化pytorch-superpoint在训练过程中的诸多细节问题。本段落档将详细介绍如何使用这两个项目来进行图像配准模型的实验性训练。 训练完成后，为了部署这些模型，可以参考相关的技术文档或资源进行调整（支持将模型导出为ONNX格式以实现部署）。
     
  • Facenet-Keras源码：可用于训练个性化模型
    优质
    Facenet-Keras源码项目提供了一个基于Keras框架的脸部识别深度学习模型Facenet的实现。此代码库支持用户轻松地训练和定制个性化的脸部识别模型，适用于多种应用场景如安全验证、人脸聚类等。 Facenet：人脸识别模型在Keras中的实现情况及性能表现如下： - 训练数据集：CASIA-WebFace - 测试数据集：LFW - 输入图片大小：160x160像素 精度： - CASIA-WebFace 数据集上的精度为 97.86% - LFW 数据集上的精度为 99.02% 所需环境： - tensorflow-gpu==1.13.1 - keras==2.1.5 文件下载提示：已经训练好的 facenet_mobilenet.h5 和 facenet_inception_resnetv1.h5 文件可以获取。此外，用于训练的 CASIA-WebFaces 数据集以及评估用的 LFW 数据集也可以获得。 预测步骤： a、使用预训练权重 - 下载并解压库后，在 model_data 文件夹里已经有了 facenet_mobilenet.h5 文件。 - 可直接运行 predict.py。
     
  • PyTorch-to-TFLite-Example: 将在PyTorch中定义并预训练的MobileNetV3Small模型转为TF...
    优质
    本项目展示了如何将使用PyTorch框架下的预训练MobileNetV3Small模型转换成TensorFlow Lite格式，适用于移动和嵌入式设备部署。 将PyTorch定义并预训练的MobileNetV3Small模型转换为TFLite量化模型的过程如下： 所需环境： - Python >= 3.6.0 - Keras==2.2.4 - onnx==1.5.0 - onnx2keras==0.0.3 - tensorflow==1.14.0 - torch==1.1.0 - Pillow==6.1.0 使用方法： 首先下载权重文件，然后运行脚本python3 main.py。