超市网站建设费用,织梦手机网站模板安装,无后台基础怎么建设网站,页面模板怎么添加文章面部表情识别2#xff1a;Pytorch实现表情识别(含表情识别数据集和训练代码)
目录
面部表情识别2#xff1a;Pytorch实现表情识别(含表情识别数据集和训练代码)
1.面部表情识别方法
2.面部表情识别数据集 #xff08;1#xff09;表情识别数据集说明 #xff08;2Pytorch实现表情识别(含表情识别数据集和训练代码)
目录
面部表情识别2Pytorch实现表情识别(含表情识别数据集和训练代码)
1.面部表情识别方法
2.面部表情识别数据集 1表情识别数据集说明 2自定义数据集
3.人脸检测模型
4.面部表情识别分类模型训练
1项目安装
2准备数据
3面部表情识别分类模型训练(Pytorch)
4 可视化训练过程
5 面部表情识别效果
6 一些优化建议
7 一些运行错误处理方法
5.项目源码下载Python版
6.项目源码下载Android版 这是项目《面部表情识别》系列之《Pytorch实现表情识别(含表情识别数据集和训练代码)》项目基于深度学习框架Pytorch开发一个高精度可实时的面部表情识别算法 Facial Expression Recognition项目源码支持模型有resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型用户可自定义进行训练准确率还挺高的采用轻量级mobilenet_v2模型的面部表情识别准确率也可以高达94.72%左右满足业务性能需求。
模型input sizeTest准确率mobilenet_v2112×11294.72%googlenet112×11294.28%resnet18112×11294.818%
先展示一下Python版本的面部表情识别Demo效果不同表情用不同的颜色框标注了 【尊重原创转载请注明出处】https://blog.csdn.net/guyuealian/article/details/129505205 更多项目《面部表情识别》系列文章请参考
面部表情识别1表情识别数据集(含下载链接)面部表情识别2Pytorch实现表情识别(含表情识别数据集和训练代码)面部表情识别3Android实现表情识别(含源码可实时检测)面部表情识别4C实现表情识别(含源码可实时检测)1.面部表情识别方法
面部表情识别方法有多种实现方案这里采用最常规的方法基于人脸检测面部表情分类识别方法即先采用通用的人脸检测模型进行人脸检测然后裁剪人脸区域再训练一个面部表情分类器完成对面部表情识别
这样做的好处是可以利用现有的人脸检测模型而无需重新训练人脸检测模型可减少人工标注成本低而人脸数据相对而言比较容易采集分类模型可针对性进行优化。 2.面部表情识别数据集 1表情识别数据集说明
本项目主要使用两个表情识别数据集Emotion-Domestic国内(亚洲)表情识别数据集MMAFEDB表情识别数据集总共超过15万张人脸图片数据面部表情丰富多样包含angry(生气), disgust (厌恶), fear(害怕), happy(快乐), neutral (中性), sad(悲伤), surprise(惊奇)等多种表情。 关于表情识别数据的使用说明请参考我的一篇博客面部表情识别1表情识别数据集(含下载链接) 2自定义数据集
如果需要新增类别数据或者需要自定数据集进行训练可参考如下进行处理
建立Train和Test数据集要求相同类别的图片放在同一个文件夹下且子目录文件夹命名为类别名称如类别文件一行一个列表class_name.txt (最后一行,请多回车一行)
A
B
C
D
修改配置文件的数据路径config.yaml
train_data: # 可添加多个数据集- data/dataset/train1 - data/dataset/train2
test_data: data/dataset/test
class_name: data/dataset/class_name.txt
...
... 3.人脸检测模型
本项目人脸检测训练代码请参考https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
这是一个基于SSD改进且轻量化后人脸检测模型很slim整个模型仅仅1.7M左右在普通Android手机都可以实时检测。人脸检测方法在网上有一大堆现成的方法可以使用完全可以不局限我这个方法。
4.面部表情识别分类模型训练
准备好表情识别数据后接下来就可以开始训练表情识别分类模型了项目模型支持resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型考虑到后续我们需要将表情识别模型部署到Android平台中因此项目选择计算量比较小的轻量化模型mobilenet_v2如果不用端上部署完全可以使用参数量更大的模型如resnet50等模型。 整套工程项目基本结构如下 .
├── classifier # 训练模型相关工具
├── configs # 训练配置文件
├── data # 训练数据
├── libs
│ ├── convert # 将模型转换为ONNX工具
│ ├── light_detector # 人脸检测
│ ├── detector.py # 人脸检测demo
│ └── README.md
├── demo.py # demo
├── README.md # 项目工程说明文档
├── requirements.txt # 项目相关依赖包
└── train.py # 训练文件 1项目安装 项目依赖python包请参考requirements.txt使用pip安装即可 numpy1.16.3
matplotlib3.1.0
Pillow6.0.0
easydict1.9
opencv-contrib-python4.5.2.52
opencv-python4.5.1.48
pandas1.1.5
PyYAML5.3.1
scikit-image0.17.2
scikit-learn0.24.0
scipy1.5.4
seaborn0.11.2
tensorboard2.5.0
tensorboardX2.1
torch1.7.1cu110
torchvision0.8.2cu110
tqdm4.55.1
xmltodict0.12.0
basetrainer
pybaseutils0.6.5 项目安装教程请参考初学者入门麻烦先看完下面教程配置好开发环境 项目开发使用教程和常见问题和解决方法视频教程1 手把手教你安装CUDA和cuDNN(1)视频教程2 手把手教你安装CUDA和cuDNN(2)视频教程3 如何用Anaconda创建pycharm环境视频教程4 如何在pycharm中使用Anaconda创建的python环境2准备数据
下载表情识别数据集Emotion-Domestic国内(亚洲)表情识别数据集MMAFEDB表情识别数据集关于表情识别数据的使用说明请参考我的一篇博客面部表情识别1表情识别数据集(含下载链接)
3面部表情识别分类模型训练(Pytorch)
项目在《Pytorch基础训练库Pytorch-Base-Trainer(支持模型剪枝 分布式训练)》基础上实现了面部表情识别分类模型训练和测试整套训练代码非常简单操作用户只需要将相同类别的图片数据放在同一个目录下并填写好对应的数据路径即可开始训练了。
训练框架采用Pytorch整套训练代码支持的内容主要有 目前支持的backbone有googlenet,resnet[18,34,50], ,mobilenet_v2等 其他backbone可以自定义添加训练参数可以通过(configs/config.yaml)配置文件进行设置训练参数说明如下 # 训练数据集可支持多个数据集(不要出现中文路径)
train_data:- path/to/emotion/emotion-domestic/train- path/to/emotion/MMAFEDB/train
# 测试数据集(不要出现中文路径)
test_data:- path/to/motion/emotion-domestic/test# 类别文件
class_name: data/class_name.txt
train_transform: train # 训练使用的数据增强方法
test_transform: val # 测试使用的数据增强方法
work_dir: work_space/ # 保存输出模型的目录
net_type: mobilenet_v2 # 骨干网络,支持resnet18/50,mobilenet_v2,googlenet,inception_v3
width_mult: 1.0 # 模型宽度因子
input_size: [ 112,112 ] # 模型输入大小
rgb_mean: [ 0.5, 0.5, 0.5 ] # for normalize inputs to [-1, 1],Sequence of means for each channel.
rgb_std: [ 0.5, 0.5, 0.5 ] # for normalize,Sequence of standard deviations for each channel.
batch_size: 128 # batch_size
lr: 0.01 # 初始学习率
optim_type: SGD # 选择优化器SGD,Adam
loss_type: CrossEntropyLoss # 选择损失函数支持CrossEntropyLoss,LabelSmoothing
momentum: 0.9 # SGD momentum
num_epochs: 100 # 训练循环次数
num_warn_up: 3 # warn-up次数
num_workers: 8 # 加载数据工作进程数
weight_decay: 0.0005 # weight_decay默认5e-4
scheduler: multi-step # 学习率调整策略
milestones: [ 20,50,80 ] # 下调学习率方式
gpu_id: [ 0 ] # GPU ID
log_freq: 50 # LOG打印频率
progress: True # 是否显示进度条
pretrained: True # 是否使用pretrained模型
finetune: False # 是否进行finetune 开始训练在终端输入 python train.py -c configs/config.yaml 训练完成后训练集的Accuracy在95.5%以上测试集的Accuracy在94.5%左右 4 可视化训练过程
训练过程可视化工具是使用Tensorboard在终端(Terminal)输入命令使用教程请参考项目开发使用教程和常见问题和解决方法 # 需要安装tensorboard2.5.0和tensorboardX2.1
# 基本方法
tensorboard --logdirpath/to/log/
# 例如
tensorboard --logdirwork_space/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/log可视化效果
5 面部表情识别效果
训练完成后训练集的Accuracy在95.5%以上测试集的Accuracy在94.5%左右下表给出已经训练好的三个模型其中mobilenet_v2的准确率可以达到94.72%googlenet的准确率可以达到94.28%resnet18的准确率可以达到94.81%
模型input sizeTest准确率mobilenet_v2112×11294.72%googlenet112×11294.28%resnet18112×11294.818%测试图片文件 # 测试图片Linux系统
image_dirdata/test_image # 测试图片的目录
model_filedata/pretrained/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/model/latest_model_099_94.7200.pth # 模型文件
out_diroutput/ # 保存检测结果
python demo.py --image_dir $image_dir --model_file $model_file --out_dir $out_dir Windows系统请将$image_dir $model_file $out_dir等变量代替为对应的变量值即可如
# 测试图片Windows系统
python demo.py --image_dir data/test_image --model_file data/pretrained/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/model/latest_model_099_94.7200.pth --out_dir output/测试视频文件 # 测试视频文件Linux系统
video_filedata/video-test.mp4 # 测试视频文件如*.mp4,*.avi等
model_filedata/pretrained/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/model/latest_model_099_94.7200.pth # 模型文件
out_diroutput/ # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir# 测试视频文件Windows系统
python demo.py --video_file data/video-test.mp4 --model_file data/pretrained/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/model/latest_model_099_94.7200.pth --out_dir output/测试摄像头 # 测试摄像头Linux系统
video_file0 # 测试摄像头ID
model_filedata/pretrained/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/model/latest_model_099_94.7200.pth # 模型文件
out_diroutput/ # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir# 测试摄像头Windows系统
python demo.py --video_file 0 --model_file data/pretrained/mobilenet_v2_1.0_CrossEntropyLoss_20230313090258/model/latest_model_099_94.7200.pth --out_dir output/下面是面部表情识别效果展示其中不同表情用不同颜色表示了 6 一些优化建议 如果想进一步提高模型的性能可以尝试 清洗数据集(最重要)尽管鄙人已经清洗一部分了但还是建议你训练前再次清洗数据集不然会影响模型的识别的准确率。增加训练的样本数据 建议根据自己的业务场景采集相关数据提高模型泛化能力使用参数量更大的模型 本教程使用的是mobilenet_v2模型属于比较轻量级的分类模型采用更大的模型如resnet50理论上其精度更高但推理速度也较慢。尝试不同数据增强的组合进行训练增加数据增强 已经支持 随机裁剪随机翻转随机旋转颜色变换等数据增强方式可以尝试诸如mixupCutMix等更复杂的数据增强方式样本均衡 原始数据表情识别类别数据并不均衡类别happy和neutral的数据偏多而disgust和fear的数据偏少这会导致训练的模型会偏向于样本数较多的类别。建议进行样本均衡处理。调超参 比如学习率调整策略优化器SGD,Adam等损失函数 目前训练代码已经支持交叉熵LabelSmoothing可以尝试FocalLoss等损失函数7 一些运行错误处理方法 项目不要出现含有中文字符的目录文件或路径否则会出现很多异常 cannot import name load_state_dict_from_url 由于一些版本升级会导致部分接口函数不能使用请确保版本对应 torch1.7.1 torchvision0.8.2 或者将对应python文件将 from torchvision.models.resnet import model_urls, load_state_dict_from_url修改为 from torch.hub import load_state_dict_from_url
model_urls {mobilenet_v2: https://download.pytorch.org/models/mobilenet_v2-b0353104.pth,resnet18: https://download.pytorch.org/models/resnet18-5c106cde.pth,resnet34: https://download.pytorch.org/models/resnet34-333f7ec4.pth,resnet50: https://download.pytorch.org/models/resnet50-19c8e357.pth,resnet101: https://download.pytorch.org/models/resnet101-5d3b4d8f.pth,resnet152: https://download.pytorch.org/models/resnet152-b121ed2d.pth,resnext50_32x4d: https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth,resnext101_32x8d: https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth,wide_resnet50_2: https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth,wide_resnet101_2: https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth,
}5.项目源码下载Python版
项目源码下载地址面部表情识别2Pytorch实现表情识别(含表情识别数据集和训练代码)
整套项目源码内容包含 提供面部表情识别数据集本项目主要使用两个表情识别数据集Emotion-Domestic国内(亚洲)表情识别数据集MMAFEDB表情识别数据集总共超过15万张人脸图片数据面部表情丰富多样包含angry(生气), disgust (厌恶), fear(害怕), happy(快乐), neutral (中性), sad(悲伤), surprise(惊奇)等多种表情。提供面部表情识别分类模型训练代码train.py提供面部表情识别分类模型测试代码demo.pyDemo支持图片视频和摄像头测试支持自定义数据集进行训练项目支持模型resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型项目源码自带训练好的模型文件可直接运行测试: python demo.py在普通电脑CPU/GPU上可以实时检测和识别6.项目源码下载Android版
目前已经实现Android版本的面部表情识别详细项目请参考面部表情识别3Android实现面部表情识别(含源码可实时检测)https://blog.csdn.net/guyuealian/article/details/129467015
Android面部表情识别APP Demo体验https://download.csdn.net/download/guyuealian/87575425
