跑MTCNN数据集

最新推荐文章于 2025-04-24 11:00:39 发布
最新推荐文章于 2025-04-24 11:00:39 发布
阅读量2.4k 收藏 6
点赞数
分类专栏： 图像识别
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.youkuaiyun.com/a1059682127/article/details/89017458
版权

1、项目来源：

https://github.com/AITTSMD/MTCNN-Tensorflow

2、安装tensorflow:

手把手教你如何安装Tensorflow（Windows和Linux两种版本）

 Q1:

(tensorflow) auto406@auto406:~$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp35-cp35m-linux_x86_64.whl
Traceback (most recent call last):
  File "/home/auto406/anaconda3/envs/tensorflow/bin/pip", line 6, in <module>
    sys.exit(pip.main())
AttributeError: module 'pip' has no attribute 'main'

auto406@auto406:~$ pip --version
pip 10.0.1 from /home/auto406/anaconda3/lib/python3.6/site-packages/pip (python 3.6)

看看你的pip 版本，10.0没有main(),考虑降个版本：python -m pip install --upgrade pip==9.0.3

https://zhidao.baidu.com/question/1738175020509032387.html

 

 

#!/home/auto406/anaconda3/envs/tensorflow/bin/python
if __name__ == '__main__':
    import sys
    import pip
    import pip._internal as pip_new
	

    sys.exit(pip_new.main())
Looking in indexes: http://mirrors.aliyun.com/pypi/simple/
Collecting tensorflow-gpu==1.3.0cr2 from https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.3.0cr2-cp35-cp35m-linux_x86_64.whl
  Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by 'ReadTimeoutError("HTTPSConnectionPool(host='storage.googleapis.com', port=443): Read timed out. (read timeout=15)",)': /tensorflow/linux/gpu/tensorflow_gpu-1.3.0cr2-cp35-cp35m-linux_x86_64.whl
  Retrying (Retry(total=3, connect=None, read=None, redirect=None, status=None)) after connection broken by 'NewConnectionError('<pip._vendor.urllib3.connection.VerifiedHTTPSConnection object at 0x7f01c11a96a0>: Failed to establish a new connection: [Errno 101] 网络不可达',)': /tensorflow/linux/gpu/tensorflow_gpu-1.3.0cr2-cp35-cp35m-linux_x86_64.whl

(tensorflow)$ pip install tensorflow
>>> import tensorflow as tf
>>> hello = tf.constant('first tensorflow')
>>> sess = tf.Session()
2019-04-07 16:17:42.623778: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 AVX512F FMA
2019-04-07 16:17:42.650197: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 3600000000 Hz
2019-04-07 16:17:42.651151: I tensorflow/compiler/xla/service/service.cc:150] XLA service 0x3b4cbb0 executing computations on platform Host. Devices:
2019-04-07 16:17:42.651210: I tensorflow/compiler/xla/service/service.cc:158]   StreamExecutor device (0): <undefined>, <undefined>

遇到了这个问题，意思是你的 CPU 支持AVX AVX2 （可以加速CPU计算），但你安装的 TensorFlow 版本不支持

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

https://blog.youkuaiyun.com/zhaohaibo_/article/details/80573676

https://stackoverflow.com/questions/47068709/your-cpu-supports-instructions-that-this-tensorflow-binary-was-not-compiled-to-u?answertab=votes#tab-top

Q3:

print sess.run('hello')
  File "<stdin>", line 1
    print sess.run('hello')
             ^
SyntaxError: invalid syntax

这个报错是因为python3中print变成了一个方法，需要带括号当参数传入值。

print(sess.run(hello))

>>> print(sess.run(hello))
b'first tensorflow'

tensorflow_CPU版安装成功！！！

下一步：

auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/prepare_data$ python gen_12net_data.py 
Traceback (most recent call last):
  File "gen_12net_data.py", line 3, in <module>
    import cv2
ModuleNotFoundError: No module named 'cv2'

安装python接口的opencv：

在tensorflow环境中

$ pip install opencv-python #安装opencv
$ pip install opencv-contrib-python #安装opencv的contrib扩展包
(tensorflow) auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/prepare_data$ python gen_12net_data.py 
Traceback (most recent call last):
  File "gen_12net_data.py", line 7, in <module>
    from prepare_data.utils import IoU
ImportError: No module named 'prepare_data'

#from prepare_data.utils import IoU
from utils import IoU
(tensorflow) auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/prepare_data$ python gen_hard_example.py 
Traceback (most recent call last):
  File "gen_hard_example.py", line 13, in <module>
    from train_models.MTCNN_config import config
  File "../train_models/MTCNN_config.py", line 3, in <module>
    from easydict import EasyDict as edict
ImportError: No module named 'easydict'

在激活的tensorflow环境中安装扩展包easydict：

conda install -c chembl easydict

安装cuDNN:

注册下载：https://developer.nvidia.com/rdp/cudnn-archive

查看ubuntu版本：

auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/prepare_data$ cat /proc/version
Linux version 4.15.0-46-generic (buildd@lgw01-amd64-008) (gcc version 5.4.0 20160609 (Ubuntu 5.4.0-6ubuntu1~16.04.10)) #49~16.04.1-Ubuntu SMP Tue Feb 12 17:45:24 UTC 2019

查看CUDA版本：

auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/prepare_data$ cat /usr/local/cuda/version.txt 
CUDA Version 9.0.176

下载之后安装：（需要vpn）

auto406@auto406:~/MTCNN$ cd cuDNN/
auto406@auto406:~/MTCNN/cuDNN$ sudo dpkg -i libcudnn7_7.5.0.56-1+cuda9.0_amd64.deb
auto406@auto406:~/MTCNN/cuDNN$ sudo dpkg -i libcudnn7-dev_7.5.0.56-1+cuda9.0_amd64.deb 
auto406@auto406:~/MTCNN/cuDNN$ sudo dpkg -i libcudnn7-doc_7.5.0.56-1+cuda9.0_amd64.deb

采用如下代码测试是否安装成功：

auto406@auto406:~/MTCNN/cuDNN$ cp -r /usr/src/cudnn_samples_v7/ ~
auto406@auto406:~/MTCNN/cuDNN$ cd ~/cudnn_samples_v7/mnistCUDNN/
auto406@auto406:~/cudnn_samples_v7/mnistCUDNN$ make clean && make
auto406@auto406:~/cudnn_samples_v7/mnistCUDNN$ ./mnistCUDNN

参考：https://blog.youkuaiyun.com/davidhopper/article/details/81206673

安装tensorflow-gpu:

进入tensorflow环境，卸载高版本（先前没有安装cudnn直接安装pip install tensorflow-gpu）：

(tensorflow-gpu) auto406@auto406:~/cudnn_samples_v7/mnistCUDNN$ pip uninstall tensorflow-gpu

查找cuda9.0对应的tensorflow版本：https://blog.youkuaiyun.com/lifuxian1994/article/details/81103530

从豆瓣镜像中下载安装1.9.0 tensorflow-gpu：

(tensorflow-gpu) auto406@auto406:~/cudnn_samples_v7/mnistCUDNN$ pip install tensorflow-gpu==1.9 -i https://pypi.doubanio.com/simple/

检查是否安装成功：

(tensorflow-gpu) auto406@auto406:~/cudnn_samples_v7/mnistCUDNN$ python
Python 3.5.4 |Continuum Analytics, Inc.| (default, Aug 14 2017, 13:26:58) 
[GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow
  • Run prepare_data/gen_12net_data.py to generate training data(Face Detection Part) for PNet.
  • Run gen_landmark_aug_12.py to generate training data(Face Landmark Detection Part) for PNet.
  • Run gen_imglist_pnet.py to merge two parts of training data. 
    (tensorflow-gpu) auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/prepare_data$ python gen_imglist_pnet.py 
1000282 458013 1128835 250000
750000 250000 250000

    (tensorflow-gpu) auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/prepare_data$ python gen_PNet_tfrecords.py 
>> 1429500/1429557 images has been converted
Finished converting the MTCNN dataset!

    (tensorflow-gpu) auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/prepare_data$ python gen_hard_example.py 
Called with argument:
Namespace(batch_size=[2048, 256, 16], epoch=[58, 14, 16], min_face=20, prefix=['../data/MTCNN_model/PNet_landmark/PNet', '../data/MTCNN_model/RNet_landmark/RNet', '../data/MTCNN_model/ONet_landmark/ONet'], shuffle=False, slide_window=False, stride=2, test_mode='PNet', thresh=[0.3, 0.1, 0.7], vis=False)
Test model:  PNet
../data/MTCNN_model/PNet_landmark/PNet-58
(1, ?, ?, 3)
load summary for :  conv1/add
(1, ?, ?, 10)
load summary for :  pool1/MaxPool
(1, ?, ?, 10)
load summary for :  conv2/add
(1, ?, ?, 16)
load summary for :  conv3/add
(1, ?, ?, 32)
load summary for :  conv4_1/Reshape_1
(1, ?, ?, 2)
load summary for :  conv4_2/BiasAdd
(1, ?, ?, 4)
load summary for :  conv4_3/BiasAdd
(1, ?, ?, 10)
2019-04-08 15:06:06.569916: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 AVX512F FMA
2019-04-08 15:06:06.716087: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1392] Found device 0 with properties: 
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.645
pciBusID: 0000:65:00.0
totalMemory: 10.91GiB freeMemory: 10.51GiB
2019-04-08 15:06:06.716121: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1471] Adding visible gpu devices: 0
2019-04-08 15:06:06.940480: I tensorflow/core/common_runtime/gpu/gpu_device.cc:952] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-04-08 15:06:06.940515: I tensorflow/core/common_runtime/gpu/gpu_device.cc:958]      0 
2019-04-08 15:06:06.940522: I tensorflow/core/common_runtime/gpu/gpu_device.cc:971] 0:   N 
2019-04-08 15:06:06.940688: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1084] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 10167 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:65:00.0, compute capability: 6.1)
../data/MTCNN_model/PNet_landmark/PNet-58
restore models' param
==================================
load test data
finish loading
start detecting....
detect_face:img 1
detect_face:img 2

    用如下代码可检测tensorflow的能使用设备情况：

  • >>> from tensorflow.python.client import device_lib
>>> print(device_lib.list_local_devices())
2019-04-08 15:47:48.711553: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1471] Adding visible gpu devices: 0
2019-04-08 15:47:48.711631: I tensorflow/core/common_runtime/gpu/gpu_device.cc:952] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-04-08 15:47:48.711660: I tensorflow/core/common_runtime/gpu/gpu_device.cc:958]      0 
2019-04-08 15:47:48.711684: I tensorflow/core/common_runtime/gpu/gpu_device.cc:971] 0:   N 
2019-04-08 15:47:48.711921: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1084] Created TensorFlow device (/device:GPU:0 with 10167 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:65:00.0, compute capability: 6.1)
[name: "/device:CPU:0"
device_type: "CPU"
memory_limit: 268435456
locality {
}
incarnation: 10620960882628000992
, name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 10661888000
locality {
  bus_id: 1
  links {
  }
}
incarnation: 9467620951121494053
physical_device_desc: "device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:65:00.0, compute capability: 6.1"
]

    检测使用的是gpu版的还是cpu版的：

  • >>> import numpy
>>> import tensorflow as tf
>>> a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
>>> b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
>>> c = tf.matmul(a, b)
>>> sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
>>> print(sess.run(c))
MatMul: (MatMul): /job:localhost/replica:0/task:0/device:GPU:0
2019-04-08 15:54:29.167174: I tensorflow/core/common_runtime/placer.cc:886] MatMul: (MatMul)/job:localhost/replica:0/task:0/device:GPU:0
MatMul_1: (MatMul): /job:localhost/replica:0/task:0/device:GPU:0
2019-04-08 15:54:29.167234: I tensorflow/core/common_runtime/placer.cc:886] MatMul_1: (MatMul)/job:localhost/replica:0/task:0/device:GPU:0
a: (Const): /job:localhost/replica:0/task:0/device:GPU:0
2019-04-08 15:54:29.167261: I tensorflow/core/common_runtime/placer.cc:886] a: (Const)/job:localhost/replica:0/task:0/device:GPU:0
b: (Const): /job:localhost/replica:0/task:0/device:GPU:0
2019-04-08 15:54:29.167287: I tensorflow/core/common_runtime/placer.cc:886] b: (Const)/job:localhost/replica:0/task:0/device:GPU:0
a_1: (Const): /job:localhost/replica:0/task:0/device:GPU:0
2019-04-08 15:54:29.167308: I tensorflow/core/common_runtime/placer.cc:886] a_1: (Const)/job:localhost/replica:0/task:0/device:GPU:0
b_1: (Const): /job:localhost/replica:0/task:0/device:GPU:0
2019-04-08 15:54:29.167330: I tensorflow/core/common_runtime/placer.cc:886] b_1: (Const)/job:localhost/replica:0/task:0/device:GPU:0
[[22. 28.]
 [49. 64.]]

    tensorflow-cpu中的结果：

  • MatMul: (MatMul): /job:localhost/replica:0/task:0/device:CPU:0
2019-04-08 15:57:43.593532: I tensorflow/core/common_runtime/placer.cc:1059] MatMul: (MatMul)/job:localhost/replica:0/task:0/device:CPU:0
a: (Const): /job:localhost/replica:0/task:0/device:CPU:0
2019-04-08 15:57:43.593592: I tensorflow/core/common_runtime/placer.cc:1059] a: (Const)/job:localhost/replica:0/task:0/device:CPU:0
b: (Const): /job:localhost/replica:0/task:0/device:CPU:0
2019-04-08 15:57:43.593618: I tensorflow/core/common_runtime/placer.cc:1059] b: (Const)/job:localhost/replica:0/task:0/device:CPU:0
[[22. 28.]
 [49. 64.]]

    跳过训练直接测试：

  • (tensorflow-gpu) auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/test$ python one_image_test.py 
2019-04-08 20:10:15.470449: E tensorflow/core/common_runtime/direct_session.cc:158] Internal: failed initializing StreamExecutor for CUDA device ordinal 0: Internal: failed call to cuDevicePrimaryCtxRetain: CUDA_ERROR_OUT_OF_MEMORY; total memory reported: 11718230016

    切换到tensorflow-cpu则没有该问题：

  • (tensorflow) auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/test$ python one_image_test.py 
    Traceback (most recent call last):
  File "one_image_test.py", line 29, in <module>
    PNet = FcnDetector(P_Net, model_path[0])
  File "../Detection/fcn_detector.py", line 35, in __init__
    assert  readstate, "the params dictionary is not valid"
AssertionError: the params dictionary is not valid

    prefix = ['../data/MTCNN_model/PNet_No_landmark/PNet', '../data/MTCNN_model/RNet_landmark/RNet', '../data/MTCNN_model/ONet_landmark/ONet']

    发现路径不对，在MTCNN_model文件夹下新建PNet_No_landmark文件夹，并把PNet_landmark中的模型复制过去。运行时将输入参数 test_mode设置为PNet。

修改测试图片位置;

运行one_image_test.py 

test_mode = "Pnet"

test_mode = "Onet"

 

 

restore models' param
WARNING:tensorflow:From /home/auto406/anaconda3/envs/tensorflow/lib/python3.5/site-packages/tensorflow/python/training/saver.py:1266: checkpoint_exists (from tensorflow.python.training.checkpoint_management) is deprecated and will be removed in a future version.
Instructions for updating:
Use standard file APIs to check for files with this prefix.
Traceback (most recent call last):
  File "/home/auto406/MTCNN/MTCNN-Tensorflow-master/test/one_image_test.py", line 50, in <module>
    for item in os.listdir(path):
FileNotFoundError: [Errno 2] No such file or directory: '../../DATA/test/lfpw_testImage'

 

安装可视化编程IDE-spyder：

auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/test$ sudo apt install spyder
auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/test$ spyder //打开spyder

如何打开一个已经存在的项目：

project->new project->Existing directory->Location（选择已经存在的工程文件夹）->Create

直接open project，发现不能顺利打开项目，会遇到“XXX is not a Spyder project!" 

在Anaconda中配置spyder:

(tensorflow) auto406@auto406:~/MTCNN/MTCNN-Tensorflow-master/test$ conda install spyder

使用pyCharm:

file->settings->Project Interpreter->选择~/anaconda3/envs/tensorflow/bin/python（之前已经装好easydict）

在pyCharm运行camera.py:

Traceback (most recent call last):
  File "/home/auto406/MTCNN/MTCNN-Tensorflow-master/test/camera_test.py", line 60, in <module>
    for j in range(len(landmarks[i])/2):
TypeError: 'float' object cannot be interpreted as an integer

原因：python3中/的结果是真正意义上的除法，结果是float型。python3中用双//就可以了

#            for j in range(len(landmarks[i])/2):
            for j in range(len(landmarks[i])//2):

 

人脸检测之MTCNN（一）——python中使用tensorflow运行模型
On my way
03-06 1632
一、背景 MTCNN是一种经典的人脸检测方法，通过三个阶段的深度卷积网络级联，实现“由粗到精”的检测过程，最终能够输出一幅图像中的人脸框坐标与每个人脸的5个特征点坐标。网络上有关该论文与方法的解读有很多，也不需要我重复啦，在最后的参考中我会放上自己觉得不错的几篇链接。这篇文章主要给出Python中调用训练好的MTCNN模型做正向推理的过程，其中大部分参考自https://blog.youkuaiyun.com/BEYONDldh/article/details/105221244，感谢这位博主的无私分享。我会给出所有阶
MTCNN人脸检测数据集（经处理优化 可直接训练）
08-03
图像尺寸为12,24,48的三个文件夹，分别包含正、负、部分样本20万张，共60万。 包含置信度、回归框、5个人脸特征点偏移量的txt文件，可直接提取为训练标签。 图像经过优化处理，建议框比CelebA数据集更加准确。可用MTCNN直接训练。 https://blog.youkuaiyun.com/weixin_43565802/article/details/107535599
关于load_dataset()方法的使用
ulightm的博客
11-30 2219
初学者对matminer中load方法的使用
python的mtcnn检测图片中的人脸并标框
最新发布
susu1083018911的博客
04-24 306
python的mtcnn检测图片中的人脸并标框
MTCNN算法
BroStayHungry
07-01 2920
算法步骤（包括数据准备过程）—全过程 根据MTCNN架构，从CelebA、wider_face数据集里（类似数据皆可，需自行下载）采样出positive、part、negative样本并同时得到样本的label信息（采样图片包含三种size：12，24，48），因此这里需要写一个采样程序 无论你是选择TensorFlow或者Pytorch，都需要继承一个dataset类来读取采样数据，因为该数...
[预训练语言模型专题] MT-DNN(KD) : 预训练、多任务、知识蒸馏的结合
yang191919的博客
05-15 1888
本文为预训练语言模型专题系列第八篇 快速传送门 1-4：[萌芽时代]、[风起云涌]、[文本分类通用技巧]、[GPT家族] 5-7：[BERT来临]、[浅析BERT代码]、[ERNIE合集] 感谢清华大学自然语言处理实验室对预训练语言模型架构的梳理，我们将沿此脉络前行，探索预训练语言模型的前沿技术，红框中为已介绍的文章，绿框中为本期介绍的文章，欢迎大家留言讨论交流。 Multi-Task Deep Neural Networks for Natural Language U...
MT-DNN解读（论文 + PyTorch源码）
Magical_Bubble的博客
04-25 7268
前一段时间，看到了微软发布了用于学习通用语言嵌入的多任务深度神经网络模型MT-DNN，可谓是紧随BERT之后，结合他们之前的MTL工作以及BERT的优势，在10项NLU任务上的表现都超过了BERT。
MTCNN-tensorflow-cpu 单独部署和训练
Andrwin的博客
06-19 833
一般MTCNN会和FaceNet合在一起作为人脸识别的框架，前面负责人脸检测后面负责人脸比对。 为了搞明白MTCNN都干了些什么我决定自己动手跑一遍MTCNN， 需要的环境为： # Ubuntu18.04 # python 3.6.5 # tensorflow-cpu 1.8.0 (我得cuda是10.0的，需要改成9.x版本，我嫌麻烦就用的cpu) # opencv 4.2.0.32 # tqdm 默认版本 项目地址：https://github.com/LeslieZhoa/tensorfl.
gpu训练cnn人脸识别准确率_opencv+mtcnn+facenet+python+tensorflow 实现实时人脸识别
weixin_30030437的博客
12-30 809
opencv+mtcnn+facenet+python+tensorflow 实现实时人脸识别Abstract:本文记录了在学习深度学习过程中，使用opencv+mtcnn+facenet+python+tensorflow，开发环境为ubuntu18.04，实现局域网连接手机摄像头，对目标人员进行实时人脸识别，效果并非特别好，会继续改进这里是如果各位老爷看完觉得对你有帮助的话，请给个小星星，3q...
opencv口罩人脸识别数据集+xml
08-05
"可以直接跑训练"意味着数据集已经准备好，无需额外的数据预处理步骤，开发者可以立即开始构建和训练模型。 在Python环境中，我们可以使用OpenCV的dnn模块配合XML标注文件来实现人脸识别。首先，我们需要加载XML...
MTCNN人脸识别
weixin_50707265的博客
11-26 1723
MTCNN人脸识别 一：总体介绍下流程： MTCNN，多任务卷积神经网络，该模型利用级联思想。 首先简单说下总体流程:MTCNN侦测识别主要分为三个阶段进行: 第一阶段：人脸检测； 第二阶段：特征提取； 第三阶段：人脸对比 第一阶段是：人脸侦测（直白点说就是训练网络能够找到人脸： 先将人脸框出来 将人脸检测出来的人脸裁剪出来 得到裁剪出来的人脸图片传进特征提取器 第二阶段是：特征提取部分（就是训练网络能够知道谁是谁） 先训练一个特征提取网络 将人变脸特征提取器输出的一组向量，作为标签保存到人脸特征提取库中
MTCNN+FaceNet保姆级指南
qq_34871277的博客
08-06 2700
1.论文出处 1.MTCNN：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks 论文原文????： 2.FaceNet: A Unified Embedding for Face Recognition and Clustering 论文原文????： 2.简介 2.1 MTCNN MTCNN(Multi-task convolutional neural network) 是一种用于人脸检
利用MTCNN和facenet实现人脸检测和人脸识别
AI吃大瓜的博客
12-09 6万+
利用MTCNN和facenet实现人脸检测和人脸识别 人脸检测和人脸识别技术算是目前人工智能方面应用最成熟的技术了。本博客将利用mtcnn和faceNet搭建一个实现人脸检测和人脸识别的系统。基本思路也很简单，先利用mtcnn的进行人脸检测，当然也可以使用其他的人脸检测方法，如Dilb，OpenCV，OpenFace人脸检测等等，然后再利用faceNet进行人脸识别，faceNet可简单...
Python No module named ‘...‘
weixin_44340277的博客
02-25 273
我看了网上很多的解决办法 有设置source root的 但是我用的pycharm 里面的shell 脚本语言 就一直跑不同 如图我调用的是PrepareData文件夹里面的一个py文件 但是报错信息是有没有module named PrepareData 后来发现是那个py文件里面的工作目录设置的有问题 改到你想要的source root 就可以了 ...
训练O_net网络，并测试图片
weixin_38906715的博客
04-08 611
训练O_net网络，并测试图片上一篇，我们已经知道如何生成O_net训练集，这次我们开始训练Onet网络。训练完成后，保存权重，我们随机抽取一张照片，测试一下效果。代码:train_Onet.pyimport tensorflow as tf import tensorflow.keras as keras from tensorflow.keras import metrics from red...
Tensorflow相关知识（一）MTCNN代码相关
祥瑞的技术博客
10-17 895
以MTCNN为例，顺便学习下TensorFlow的底层用法。 目录 一、tf.device() 二、tf.Graph().as_default() 2.1 tf.Graph 2.2 tf.Graph().as_default() 2.3 MTCNN之中as_default() 三、tf.layers() 四、tf.ConfigProto指定显卡相关 自动选择运行设备 ： tf.C...
MTCNN-tensorflow源码解析之训练PNet网络-train_PNet.py
知识搬运工的博客
07-12 1180
tfrecords文件存放在文件"../../DATA/imglists/PNet/train_PNet_landmark.tfrecord_shuffle中,接下来用它来训练PNet网络，即文件train_PNet.py； def train_PNet(base_dir, prefix, end_epoch, display, lr): """ train PNet ...
ImportError: No module named pycocotools.coco
u011961856的专栏
08-29 2万+
python调用 from pycocotools.coco import COCO时,出现错误:ImportError: No module named pycocotools.coco解决方法是安装ipython,安装步骤如下.下载安装包:git clone https://github.com/pdollar/coco 进入PythonAPI目录:cd coco/PythonAPI编译安装ip
python模块以及导入出现ImportError: No module named 'xxx'问题
热门推荐
我的新博客
02-23 57万+
python中，每个py文件被称之为模块，每个具有__init__.py文件的目录被称为包。只要模 块或者包所在的目录在sys.path中，就可以使用import 模块或import 包来使用 如果你要使用的模块（py文件）和当前模块在同一目录，只要import相应的文件名就好，比 如在a.py中使用b.py：  import b  但是如果要import一个不同目录的文件(例如b.
评论 2
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