Advertisement

Facenet-Keras源码：可用于训练个性化模型

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

简介：
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。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
     
  • 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。
     
  • Facenet预训练模型
    优质
    Facenet预训练模型是一种深度学习模型，专门用于人脸识别和验证任务。通过大规模面部图像数据训练，提取高质量的人脸特征表示，广泛应用于身份认证等领域。 **Facenet预训练模型**是深度学习领域用于人脸识别任务的一种强大工具。它由谷歌的研究团队在2015年提出，旨在通过大量人脸图像的学习来创建能够精确区分不同个体的模型。该模型的核心在于将人脸图像映射到高维空间中的向量，使得相同人脸之间的距离较近而不同人脸之间的距离较远，从而实现人脸识别。 预训练模型通常已经在大规模数据集上进行了充分训练，并在特定任务中表现出色。**Facenet**就是在一个大型的人脸数据库或类似ImageNet的数据集中进行的预训练工作，它采用了一种名为Inception架构的卷积神经网络（CNN），以其高效的计算设计和优秀的性能而著名。 模型训练过程包括几个关键步骤：首先收集大量来自不同角度、光照条件及表情变化的人脸图像以增强泛化能力；然后使用监督学习方法对这些图像进行标签处理，每个图像都有对应的身份标识。在这一过程中，通过调整权重来最小化预测人脸编码与实际标签之间的误差。 **Facenet模型的应用范围广泛且多样**： 1. **人脸识别**: Facenet可用于识别和验证个体身份，例如解锁手机或门禁系统。 2. **人脸检索**: 在大规模的人脸数据库中查找特定人的图像。 3. **视频监控**: 实时监测视频流中的面部信息，并进行异常行为分析。 4. **社交网络**: 自动标记并建议用户的朋友标签。 5. **人脸合成**: 基于多个人脸图像生成新的、合成的面孔。 在评估模型性能时，通常使用特定的标准，如精度和验证误差等。例如，在LFW（标注野外中的脸部）及YTF（YouTube Faces）这样的公开数据集上进行测试是常见的做法。 实际应用中，为了适应具体任务的需求，往往会对预训练Facenet模型做**微调**处理——即在小型特定数据集上进一步训练以优化性能。此外，通过采用诸如量化、剪枝等技术来压缩模型大小也是常见实践之一，以便于其能够在资源有限的设备上运行。 提供的“20180402-114759”文件中可能包含Facenet预训练模型权重或者相关的日志和代码。使用这样的预训练模型时，开发者需要根据具体需求将其集成到项目中，并通过适当的接口调用进行人脸检测、编码及比对。 总结来说，**Facenet预训练模型**是人脸识别领域深度学习技术的重要成果之一，它极大促进了相关应用的发展。通过对该模型的原理理解及其应用场景和评估方法的学习，我们可以更好地利用此类模型解决实际问题。
     
  • Facenet预训练模型（20170512-110547）
    优质
    简介：Facenet预训练模型（20170512-110547）是一款用于人脸识别与验证的深度学习模型，通过大规模人脸图像数据训练而成，具备高效的人脸特征提取能力。 Facenet的预训练模型文件在GitHub上的相关程序中会被用到。
     
  • 亚洲人脸的Facenet训练模型
    优质
    本项目专注于开发和优化针对亚洲人脸特征的Facenet模型，通过深度学习技术提升面部识别精度与效率，尤其在亚洲人群中表现优异。 采用facenet的预训练模型，并针对亚洲人数据进行约45小时的训练以得到训练后的模型。项目地址可在GitHub上找到：https://github.com/MrZhousf/tf_facenet（注：根据要求，去除了链接，请参考原文获取具体信息）。去掉链接后的内容如下： 采用facenet的预训练模型，并针对亚洲人数据进行约45小时的训练以得到训练后的模型。
     
  • Facenet预训练模型（日期：20180402-114759）
    优质
    该Facenet预训练模型发布于2018年4月2日，用于人脸识别技术中的面部特征提取与身份验证，提高识别精度。 FaceNet训练好的模型20180402-114759可用于TensorFlow进行人脸识别。
     
  • 《利用Sentence-BERT训练个性化文本相似度模型的源代码》
    优质
    本项目提供了一个基于Sentence-BERT框架训练个性化文本相似度模型的完整解决方案，包含详细的源代码和使用说明。 BERT 和 RoBERTa 在处理文本语义相似度等句子对的回归任务上已经达到了最先进的成果。然而，这些模型需要同时将两个句子输入到网络中进行计算，这导致了巨大的计算开销问题，并且使得它们不适用于诸如语义相似度搜索和无监督任务（例如聚类）的应用场景。 Sentence-BERT (SBERT) 网络通过使用孪生网络和三胞胎网络结构生成具有语义意义的句子embedding向量。这种设计下，语义相近的句子其embedding 向量之间的距离会比较近，从而可以利用余弦相似度、曼哈顿距离或欧氏距离等方法来进行相似度计算。 因此，SBERT 能够应用于一些新的特定任务上，例如进行相似性对比、聚类以及基于语义的信息检索。
     
  • Facenet亚洲人脸训练模型及Checkpoint
    优质
    本项目提供基于Facenet的人脸识别模型，专门针对亚洲人种进行了大规模数据集训练，并开放了预训练权重文件（checkpoint），适用于快速搭建和优化人脸识别系统。 facenet亚洲人脸训练模型的PB模型包含checkpoint和meta项目地址可以在GitHub上找到。该项目位于https://github.com/MrZhousf/tf_facenet。不过根据要求要去掉链接，请注意自行查找相关信息。
     
  • Keras中的预训练VGG16模型
    优质
    简介：Keras中的预训练VGG16模型是一种深度卷积神经网络，适用于图像分类任务。该模型基于VGG团队在ImageNet竞赛中发布的架构，并已在大规模数据集上进行了预训练，提供丰富的特征提取能力。 VGG16的Keras预训练模型在官网下载速度较慢，所以我已经帮大家下好并上传了。这个模型主要用于加载预训练的权重。
     
  • 亚洲人脸的FaceNet预训练模型.txt
    优质
    本文档提供了针对亚洲人面部特征优化的FaceNet预训练模型，旨在提高人脸识别与验证在东亚人群中的准确性。 小编总结了一些FaceNet的预训练模型，包括2017年、2018年的官方版本以及基于MS-Celeb-1M人脸库的数据集，并且还有在亚洲人脸自制数据集上于2020年用GPU训练出来的模型。这些自制数据集上的模型提升了亚洲人脸识别的准确率，在LFW验证pairs文档上的测试中，三种模型都达到了99.0%以上的准确率。