国产毛片a精品毛-国产毛片黄片-国产毛片久久国产-国产毛片久久精品-青娱乐极品在线-青娱乐精品

FacenetPytorch人臉識別方案——基于米爾全志T527開發板

發布時間：2024-11-29 18:59    發布者：swiftman
本篇測評由優秀測評者“小火苗”提供。
本文將介紹基于米爾電子MYD-LT527開發板（米爾基于全志 T527開發板）的FacenetPytorch人臉識別方案測試。

一、facenet_pytorch算法實現人臉識別

深度神經網絡

1.簡介
Facenet-PyTorch 是一個基于 PyTorch 框架實現的人臉識別庫。它提供了 FaceNet 模型的 PyTorch 實現，可以用于訓練自己的人臉識別模型。FaceNet 是由 Google 研究人員提出的一種深度學習模型，專門用于人臉識別任務。
在利用PyTorch神經網絡算法進行人臉圖像對比的實驗設置中，我們專注于對比環節，而不涉及實際項目的完整實現細節。但55555貼近實際應用，我們可以構想以下流程：
1）捕捉新人臉圖像：首先，我們使用攝像頭或其他圖像采集設備捕捉一張新的人臉照片。
2）加載存儲的人臉圖像：接著，從數據庫中加載所有已存儲的人臉圖像。這些圖像是之前采集并存儲的，用于與新捕捉到的人臉照片進行對比。
3）構建神經網絡模型：為了實現對比功能，我們需要一個預先訓練好或自定義的神經網絡模型。這個模型能夠提取人臉圖像中的關鍵特征，使得相似的圖像在特征空間中具有相近的表示。
4）特征提取：利用神經網絡模型，對新捕捉到的人臉照片和存儲的每一張人臉圖像進行特征提取。這些特征向量將用于后續的對比計算。
5）計算相似度：采用合適的相似度度量方法（如余弦相似度、歐氏距離等），計算新照片特征向量與存儲圖像特征向量之間的相似度。
6）確定匹配圖像：根據相似度計算結果，找到與新照片相似度最高的存儲圖像，即認為這兩張圖像匹配成功。
7）輸出匹配結果：最后，輸出匹配成功的圖像信息或相關標識，以完成人臉對比的實驗任務。

2.核心組件
MTCNN：Multi-task Cascaded Convolutional Networks，即多任務級聯卷積網絡，專門設計用于同時進行人臉檢測和對齊。它在處理速度和準確性上都有出色的表現，是當前人臉檢測領域的主流算法之一。
FaceNet：由Google研究人員提出的一種深度學習模型，專門用于人臉識別任務。FaceNet通過將人臉圖像映射到一個高維空間，使得同一個人的不同圖像在這個空間中的距離盡可能小，而不同人的圖像距離盡可能大。這種嵌入表示可以直接用于人臉驗證、識別和聚類。

3.功能
    支持人臉檢測：使用MTCNN算法進行人臉檢測，能夠準確識別出圖像中的人臉位置。
    支持人臉識別：使用FaceNet算法進行人臉識別，能夠提取人臉特征并進行相似度計算，實現人臉驗證和識別功能。
二、安裝facenet_pytorch庫
1.更新系統
更新ubuntu系統，詳情查看米爾提供的資料文件

2.更新系統軟件
  1. apt-get update
復制代碼

3.安裝git等支持軟件
  1. sudo apt-get install -y python3-dev python3-pip libopenblas-dev libssl-dev libffi-dev git cmake
復制代碼
4.安裝Pytorch支持工具
  1. # 克隆 PyTorch 源代碼
  2. git clone --recursive https://github.com/pytorch/pytorch
  3. # 進入 PyTorch 目錄
  4. cd pytorch
  5. # 安裝 PyTorch (需要根據你的需求選擇 CUDA 版本，如果不需要 GPU 支持則不需要 --cuda 參數)
  6. pip3 install --no-cache-dir torch -f https://download.pytorch.org/whl/torch_stable.html
  7. # 測試 PyTorch 安裝
  8. python3 -c "import torch; print(torch.__version__)"
復制代碼

5.安裝facenet_pytorch
  1. pip3 install facenet_pytorch
復制代碼

[size=2em]三、CSDN參考案例
1.代碼實現
  1. ############face_demo.py#############################
  2. import cv2
  3. import torch
  4. from facenet_pytorch import MTCNN, InceptionResnetV1
  5. # 獲得人臉特征向量
  6. def load_known_faces(dstImgPath, mtcnn, resnet):
  7. aligned = []
  8. knownImg = cv2.imread(dstImgPath) # 讀取圖片
  9. face = mtcnn(knownImg) # 使用mtcnn檢測人臉，返回人臉數組
  10. if face is not None:
  11. aligned.append(face[0])
  12. aligned = torch.stack(aligned).to(device)
  13. with torch.no_grad():
  14. known_faces_emb = resnet(aligned).detach().cpu()
  15. # 使用ResNet模型獲取人臉對應的特征向量
  16. print("n人臉對應的特征向量為：n", known_faces_emb)
  17. return known_faces_emb, knownImg
  18. # 計算人臉特征向量間的歐氏距離，設置閾值，判斷是否為同一張人臉
  19. def match_faces(faces_emb, known_faces_emb, threshold):
  20. isExistDst = False
  21. distance = (known_faces_emb[0] - faces_emb[0]).norm().item()
  22. print("n兩張人臉的歐式距離為：%.2f" % distance)
  23. if (distance < threshold):
  24. isExistDst = True
  25. return isExistDst
  26. if __name__ == '__main__':
  27. # help(MTCNN)
  28. # help(InceptionResnetV1)
  29. # 獲取設備
  30. device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
  31. # mtcnn模型加載設置網絡參數，進行人臉檢測
  32. mtcnn = MTCNN(min_face_size=12, thresholds=[0.2, 0.2, 0.3],
  33. keep_all=True, device=device)
  34. # InceptionResnetV1模型加載用于獲取人臉特征向量
  35. resnet = InceptionResnetV1(pretrained='vggface2').eval().to(device)
  36. MatchThreshold = 0.8 # 人臉特征向量匹配閾值設置
  37. known_faces_emb, _ = load_known_faces('yz.jpg', mtcnn, resnet) # 已知人物圖
  38. faces_emb, img = load_known_faces('yz1.jpg', mtcnn, resnet) # 待檢測人物圖
  39. isExistDst = match_faces(faces_emb, known_faces_emb, MatchThreshold) # 人臉匹配
  40. print("設置的人臉特征向量匹配閾值為：", MatchThreshold)
  41. if isExistDst:
  42. boxes, prob, landmarks = mtcnn.detect(img, landmarks=True)
  43. print('由于歐氏距離小于匹配閾值，故匹配')
  44. else:
  45. print('由于歐氏距離大于匹配閾值，故不匹配')
復制代碼

此代碼是使用訓練后的模型程序進行使用，在程序中需要標明人臉識別對比的圖像。

2.實踐過程

第一次運行時系統需要下載預訓練的vggface模型，下載過程較長，后面就不需要在下載了運行會很快。如圖所示：
3.程序運行異常被終止
運行程序，提示killed，系統殺死了本程序的運行，經過多方面的測試，最終發現是識別的圖片過大，使得程序對內存消耗過大導致。后將圖片縮小可以正常運行了。
以下是對比圖像和對比結果。


[size=2em]四、gitHub開源代碼
1.首先下載代碼文件
代碼庫中，大致的介紹了facenet算法的訓練步驟等。

2.代碼實現
以下是facenet的python代碼，注意需要更改下面的一條程序"cuda" False,因為t527使用的是cpu，芯片到時自帶gpu但是cuda用不了，因為cuda是英偉達退出的一種計算機架構。
  1. import matplotlib.pyplot as plt
  2. import numpy as np
  3. import torchimport torch.backends.cudnn as cudnn
  4. from nets.facenet import Facenet as facenet
  5. from utils.utils import preprocess_input, resize_image, show_config
  6. #--------------------------------------------#
  7. # 使用自己訓練好的模型預測需要修改2個參數
  8. # model_path和backbone需要修改！
  9. #--------------------------------------------#
  10. class Facenet(object):
  11. _defaults = {
  12. #--------------------------------------------------------------------------#
  13. # 使用自己訓練好的模型進行預測要修改model_path，指向logs文件夾下的權值文件
  14. # 訓練好后logs文件夾下存在多個權值文件，選擇驗證集損失較低的即可。
  15. # 驗證集損失較低不代表準確度較高，僅代表該權值在驗證集上泛化性能較好。
  16. #--------------------------------------------------------------------------#
  17. "model_path" : "model_data/facenet_mobilenet.pth",
  18. #--------------------------------------------------------------------------#
  19. # 輸入圖片的大小。
  20. #--------------------------------------------------------------------------#
  21. "input_shape" : [160, 160, 3],
  22. #--------------------------------------------------------------------------#
  23. # 所使用到的主干特征提取網絡
  24. #--------------------------------------------------------------------------#
  25. "backbone" : "mobilenet",
  26. #-------------------------------------------#
  27. # 是否進行不失真的resize
  28. #-------------------------------------------#
  29. "letterbox_image" : True,
  30. #-------------------------------------------#
  31. # 是否使用Cuda# 沒有GPU可以設置成False
  32. #-------------------------------------------#
  33. "cuda" : False,
  34. }
  35. @classmethod
  36. def get_defaults(cls, n):
  37. if n in cls._defaults:
  38. return cls._defaults[n]
  39. else:
  40. return "Unrecognized attribute name '" + n + "'"
  41. #---------------------------------------------------#
  42. # 初始化Facenet
  43. #---------------------------------------------------#
  44. def __init__(self, **kwargs):
  45. self.__dict__.update(self._defaults)
  46. for name, value in kwargs.items():
  47. setattr(self, name, value)
  48. self.generate()
  49. show_config(**self._defaults)
  50. def generate(self):
  51. #---------------------------------------------------#
  52. # 載入模型與權值
  53. #---------------------------------------------------#
  54. print('Loading weights into state dict...')
  55. device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
  56. self.net = facenet(backbone=self.backbone, mode="predict").eval()
  57. self.net.load_state_dict(torch.load(self.model_path, map_location=device), strict=False)
  58. print('{} model loaded.'.format(self.model_path))
  59. if self.cuda:
  60. self.net = torch.nn.DataParallel(self.net)
  61. cudnn.benchmark = True
  62. self.net = self.net.cuda()
  63. #---------------------------------------------------#
  64. # 檢測圖片
  65. #---------------------------------------------------#
  66. def detect_image(self, image_1, image_2):
  67. #---------------------------------------------------#
  68. # 圖片預處理，歸一化
  69. #---------------------------------------------------#
  70. with torch.no_grad():
  71. image_1 = resize_image(image_1, [self.input_shape[1], self.input_shape[0]], letterbox_image=self.letterbox_image)
  72. image_2 = resize_image(image_2, [self.input_shape[1], self.input_shape[0]], letterbox_image=self.letterbox_image)
  73. photo_1 = torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_1, np.float32)), (2, 0, 1)), 0))
  74. photo_2 = torch.from_numpy(np.expand_dims(np.transpose(preprocess_input(np.array(image_2, np.float32)), (2, 0, 1)), 0))
  75. if self.cuda:
  76. photo_1 = photo_1.cuda()
  77. photo_2 = photo_2.cuda()
  78. #---------------------------------------------------#
  79. # 圖片傳入網絡進行預測
  80. #---------------------------------------------------#
  81. output1 = self.net(photo_1).cpu().numpy()
  82. output2 = self.net(photo_2).cpu().numpy()
  83. #---------------------------------------------------#
  84. # 計算二者之間的距離
  85. #---------------------------------------------------#
  86. l1 = np.linalg.norm(output1 - output2, axis=1)
  87. plt.subplot(1, 2, 1)
  88. plt.imshow(np.array(image_1))
  89. plt.subplot(1, 2, 2)
  90. plt.imshow(np.array(image_2))
  91. plt.text(-12, -12, 'Distance:%.3f' % l1, ha='center', va= 'bottom',fontsize=11)
  92. plt.show()
  93. return l1
復制代碼

3.代碼實現
此代碼調用的簽名的代碼，但其可以直接的去調用圖片進行人臉識別。
  1. from PIL import Image
  2. from facenet import Facenet
  3. if __name__ == "__main__":
  4. model = Facenet()
  5. while True:
  6. image_1 = input('Input image_1 filename:')
  7. try:
  8. image_1 = Image.open(image_1)
  9. except:
  10. print('Image_1 Open Error! Try again!')
  11. continue
  12. image_2 = input('Input image_2 filename:')
  13. try:
  14. image_2 = Image.open(image_2)
  15. except:
  16. print('Image_2 Open Error! Try again!')
  17. continue
  18. probability = model.detect_image(image_1,image_2)
  19. print(probability)
復制代碼

4.程序運行
運行程序后首先顯示的是程序的配置信息，然后可以輸入圖像對比檢測的內容。以下是圖像識別的效果和對比的準確率。
[size=2em]五、參考文獻
CSDN博客
https://blog.csdn.net/weixin_45939929/article/details/124789487?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-1-124789487-blog-142987324.235^v43^pc_blog_bottom_relevance_base6&spm=1001.2101.3001.4242.2&utm_relevant_index=4
官方源碼來源
https://gitcode.com/gh_mirrors/fac/facenet-pytorch/overview
*部分圖片來源于網絡，如有版權問題請聯系刪除

本文地址：http://m.qingdxww.cn/thread-877599-1-1.html     【打印本頁】

本站部分文章為轉載或網友發布，目的在于傳遞和分享信息，并不代表本網贊同其觀點和對其真實性負責；文章版權歸原作者及原出處所有，如涉及作品內容、版權和其它問題，我們將根據著作權人的要求，第一時間更正或刪除。
您需要登錄后才可以發表評論 登錄 | 立即注冊

廠商推薦

  • Microchip視頻專區
  • PIC32CM LS60 Curiosity Pro評估工具包
  • dsPIC® DSC集成電機驅動器：非常適合在緊湊空間內進行實時控制
  • PIC32CM LS00 Curiosity Pro評估工具包
  • 實時控制解決方案的正確選擇——數字信號控制器（DSC）或通用MCU
  • 貿澤電子(Mouser)專區

相關視頻

關于我們  -  服務條款  -  使用指南  -  站點地圖  -  友情鏈接  -  聯系我們
電子工程網 © 版權所有   京ICP備16069177號 | 京公網安備11010502021702
快速回復 返回頂部 返回列表
主站蜘蛛池模板： 日本ji| 欧美香蕉网| 午夜性色福利视频| 亚洲欧洲高清有无| 欧美性88xx| 日本a级网站| 日韩经典在线观看| 午夜精品视频5000| 亚洲国产精品久久久久| 亚洲最大福利视频网| 色婷在线| 日本加勒比在线精品视频| 午夜性视频| 日本欧美日韩| 天天涩综合| 欧美日韩精品在线| 日本色影| 日韩欧美一区二区三区在线播放| 欧美精品亚洲精品日韩| 普通话对白国产精品一级毛片| 日本尤物精品视频在线看| 亚洲国产天堂| 亚洲艹| 亚洲三级色| 青草久久影院| 亚洲美女一级片| 四虎一影院区永久精品| 欧美一级啪啪| 色97色| 亚洲一本之道| 亚洲女性人毛茸茸| 午夜精品视频| 亚洲高清在线看| 四虎黄色网址| 青草视频在线观看免费网站| 欧美激情综合亚洲一二区| 日本污网站| 四虎永久在线精品2022| 午夜免费视频| 日本国产一区| 午夜视频在线免费观看|