《错误手记-01》 facenet使用预训练模型fine-tune重新训练自己数据集报错

最新推荐文章于 2025-02-20 09:50:38 发布
最新推荐文章于 2025-02-20 09:50:38 发布
阅读量2.6k 收藏 5
点赞数 2
分类专栏： 错误手记 tensorflow 深度学习 文章标签： tensorflow facenet pretrained_model finetune
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/bing1zhi2/article/details/84375395
版权
在使用预训练facenet模型（20180402-114759）进行fine-tune时，在自定义数据集上遇到错误。错误源于训练集类别数与预训练模型的类别数不同，导致形状不匹配。解决方法是修改saver，只加载与类别数无关的模型参数。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

环境信息：windows10+python3.5+tensorflow1.6.0

问题描述：

在自己的训练集上跑train_softmax.py. 

参数：

--logs_base_dir F:/work/runspace/log/  --models_base_dir F:/dataset/facenet/model/my/  --data_dir F:/dataset/vggface2_test/my_vgg_mtcnnpy_160  --image_size 160  --model_def models.inception_resnet_v1  --lfw_dir F:/dataset/lfw/lfw_mtcnnpy_160   --optimizer ADAM  --learning_rate -1  --max_nrof_epochs 500  --batch_size 50  --keep_probability 0.4  --random_flip  --use_fixed_image_standardization  --learning_rate_schedule_file data/learning_rate_schedule_classifier_vggface2.txt  --weight_decay 5e-4  --embedding_size 512  --lfw_distance_metric 1  --lfw_use_flipped_images  --lfw_subtract_mean  --validation_set_split_ratio 0.01  --validate_every_n_epochs 5 --gpu_memory_fraction 0.6 

最低0.47元/天 解锁文章
facenet训练自己的数据_基于SSD与Facenet的人脸识别
weixin_29164081的博客
12-28 837
小方哥-AI人工智能模式识别算法系统介绍 随着深度学习的日益发展，人脸识别的技术越来越趋于成熟。基于人脸识别的也伴随着众多的应用，比如说基于人脸识别的工厂打卡或者签到系统；基于人脸识别的五官定位以及美颜相机，智慧医疗方面的基于人脸识别的脸部去痘等皮肤的健康质量检测等等。开发一个具体的应用，要么使用百度，或者虹软等大厂提供的离线SDK或者在线的云识别,需要购买license以及每年要重新认...
teamcube拖拽式图表编辑器
weixin_50712042的博客
11-13 539
在teamcube平台上按照字段的数据来源差异可分为两类图表，一个是单一模型下的图表，一个是多模型下的关联图表。 接下来我们就详细介绍一下分别应该如何用拖拽方式去制作这两类图表。 1.单一模型的图表制作 在应用创建-数据模型-图表菜单项下，可对图表进行管理。 搭建思路如下： 拖字段--度量/维度转化及设置--选择类型并设置图表--按需添加过滤或分组 点击添加图表按钮，填写图表名称、按钮名称、描述，可添加一个图表。 将维度字段拖到行，度量字段拖到列，即可生成图表。行字段可修改字段信息、转化为
facenet预训练模型
02-01
facenet提供了预训练模型，基于MS-Celeb-1M人脸库训练，百度网盘下载
finetune facenet
weixin_44745717的博客
10-01 301
in facenet.py - train line-219 if finetune_params: print('正在微调,使用了微调参数,固定了某些层.[in facenet.py - train]') variables_averages_op = variable_averages.apply(finetune_params) ...
从零预训练一个自己的大模型（完整代码）【附教程】
最新发布
2301_81940605的博客
02-20 1203
大语言模型（Large Language Model，简称LLM），指使用大量文本数据训练的深度学习模型，可以生成自然语言文本或理解语言文本的含义。
Caffe使用step by step：使用自己数据对已经训练好的模型进行finetuning
s151506879的博客
07-30 3647
转自：http://www.cnblogs.com/empty16/p/4884774.html 在经过前面Caffe框架的搭建以及caffe基本框架的了解之后，接下来就要回到正题：使用caffe来进行模型的训练。 但如果对caffe并不是特别熟悉的话，从头开始训练一个模型会花费很多时间和精力，需要对整个caffe框架有一个很清楚的了解，难度比较高；同时，在使用数据迭代训练自己模型时会
人脸检测FaceNet网络训练自己的数据集
源代码杀手的博客
09-05 4023
论文：https://arxiv.org/pdf/1503.03832.pdf 代码：https://github.com/davidsandberg/facenet 训练记录： python src/train_tripletloss.py --logs_base_dir ./logs/facenet/ --models_base_dir ./models/facenet/ --data_dir ./datasets/lfw --model_def models.inception_resnet_v1
航空遥感图像(Aerial Images)目标检测数据集汇总
Nick Blog
03-13 5520
常规目标检测数据集有很多，现在前沿的目标检测算法（如Faster R-CNN, Yolo, SSD, Mask R-CNN等）基本都是在这些常规数据集上实验的，但是，基于常规数据集训练的分类器，在航空遥感图像上的检测效果并不好，主要原因是航空遥感图像有其特殊性：1，尺度多样性，航空遥感图像从几百米到近万米的拍摄高度都有，且地面目标即使是同类目标也大小不一，如港口的轮船大的有300多米，小的也只有数...
FaceNet实现人脸识别----自己训练数据集并测试
m0_67241828的博客
08-06 9200
FaceNet（A Unified Embedding for Face Recognition and Clustering）是一种基于深度学习的人脸识别技术，能够将人脸图像转化为高维特征向量，并通过计算特征向量之间的距离关系来进行准确的人脸比对和识别。本教程着重在于如何使用FaceNet来训练自己的数据集（以本人识别为例），并进行简单的测试。有关原理在之后课程介绍。使用FaceNet训练自己的数据集要经过以下步骤： 配置环境方面采用keras=2.3.0、mtcnn=0.1.1、sklearn.anac
基于facenet深度学习人脸识别，包含训练，测试。web端界面。亚洲人脸数据集。.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
FaceNet源码使用方法及其迁移学习训练自己数据集的代码修改
热门推荐
loveliuzz的博客
08-16 2万+
关于修改train_softmax.py文件进行迁移学习 比如：自己的数据集要识别6个人，最后一个全连接层的节点个数为6。训练的数据集路径下改成自己的数据集。 代码修改及解释有如下几处： 经过上面的修改后即可在自己的数据集上进行迁移学习的训练，保存最终训练的模型，其他地方的参数可以自行调整优化。   FaceNet源码使用方法主要参照转载自： https://blog.cs...
facenet lfw数据集 训练模型
02-15
facenet训练模型，使用lfw数据集13000+数据自训练。测试可用
FaceNet亚洲人脸预训练模型.txt
08-11
小编把一些FaceNet预训练模型总结，共包含（2017、2018官方模型，基于MS-Celeb-1M人脸库等、亚洲人脸自制数据集2020训练模型），提供给大家小编在自制数据集上用gpu训练好久的模型，提高了亚洲人脸识别准确率，三种模型在LFW验证pairs文档上，准确率都在99.0%以上。
facenet亚洲人脸训练模型
02-20
采用facenet的预训练模型并针对亚洲人数据进行约45小时的训练得到训练后的模型 项目地址：https://github.com/MrZhousf/tf_facenet
facenet训练好的模型 20180402-114759
03-12
facenet训练好的模型 20180402-114759， 用于tensorflow FaceNet人脸识别
使用facenet框架做人脸识别的两个（20180402-114759和20180408-102900）预训练模型
05-21
使用facenet框架做人脸识别的两个预训练模型，一个是20180402-114759，另一个是20180408-102900，里面都有。
仿照LFW的pair.txt生成自己数据集的txt文件
WINMI
03-21 4863
最近在跑facenet的valida_on_lfw.py的样例，想要在自己的数据集上运行该代码。 关于pair.txt的描述，见http://vis-www.cs.umass.edu/lfw/README.txt 编写代码生成自己的pair.txt文件： import glob import os.path import random import numpy as np import os im...
facenet lfw训练
u010451780的专栏
06-19 1552
https://blog.youkuaiyun.com/oYeZhou/article/details/88942598 近期，做人脸识别项目，用到了facenet这个开源框架，并使用LFW人脸数据集进行了测试。现将该过程总结如下： 1 facenet简介 GitHub地址：https://github.com/davidsandberg/facenet.git facenet的原理就是基于同一人脸总是比不同人脸更相似这一先验知识，然后利用传统卷积神经网络特征提取，利用三元损失函数进行训练。最终，将人脸映射到特征
基于mtcnn+facenet+svm实现人脸识别系统GUI界面 附完整代码数据集
机器学习深度学习业余选手
02-04 1451
基于mtcnn+facenet+svm实现人脸识别系统GUI界面 附完整代码数据集
Caffe模型图片集Finetune训练资料分享
Fine-tune是深度学习领域中一种常见模型训练技巧，其目的是利用已有的预训练模型（通常在大规模数据集上训练得到）来提高新任务的学习效率和准确性。通过Fine-tune，可以将预训练模型作为新任务的起点，通过在新数据...
评论 1
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