AI吃大瓜的博客

项目数据来源于某比赛《心跳信号分类预测》，该赛题主要任务是预测心电图心跳信号类别，提供了总数超过20万心电图数据记录，主要为1列心跳信号序列数据，其中每个样本的信号序列采样频次一致，长度相等。比赛提供的数据的都是一维vector形式的信号，且数据已被归一化至 0～1 了，数据总长度均为 205 (205 个时间节点/心跳节拍)，数据非常理想，无须进行填充和异常情况处理，当然在项目训练和开发中，建议加上信号数据增强，提高模型的泛化性。下载项目数据集，train.csv和val.csv。项目安装教程请参考（

指尖点读功能，指尖和笔尖检测算法实现，实现笔尖指尖检测功能

本项目将基于深度学习Pytorch，搭建一个自然风图像场景分类识别的训练和测试项目，实现一个简单的自然风光场景图像识别系统。项目收集了6种类场景图像，包含建筑物、森林，冰川，山、海和街道六个场景，总数约17000张图片数据；项目骨干网络支持常见的CNN模型，如MobileNet, resnet[18,34,50]，也支持的模型，如MobileVit，Vit_L_16,Vit_B_16等模型，用户也可以自定义其他模型，进行训练和测试。模型input size准确率224×22493.3667。

本项目将实现水表数字识别，整套方案采用二阶段方法实现，即首先使用文本(数字)检测模型DBNet定位水表数字的区域，然后进行校正并裁剪水表数字区域，再使用CRNN模型对水表数字的区域进行文本(数字)识别。整套项目分为：数据集说明，DBNet文本(数字)检测模型训练、CRNN文本(数字)识别模型训练，以及水表数字识别边缘侧部署C++/Android等多个章节，本篇是项目《​​​​水表数字识别》系列文章之《C++实现水表数字识别。

本项目将实现水表数字识别，整套方案采用二阶段方法实现，即首先使用文本(数字)检测模型DBNet定位水表数字的区域，然后进行校正并裁剪水表数字区域，再使用CRNN模型对水表数字的区域进行文本(数字)识别。整套项目分为：数据集说明，DBNet文本(数字)检测模型训练、CRNN文本(数字)识别模型训练，以及水表数字识别边缘侧部署C++/Android等多个章节，本篇是项目《​​​​水表数字识别》系列文章之《Android实现水表数字识别。

本项目将实现水表数字识别，整套方案采用二阶段方法实现，即首先使用文本(数字)检测模型DBNet定位水表数字的区域，然后进行校正并裁剪水表数字区域，再使用CRNN模型对水表数字的区域进行文本(数字)识别。整套项目分为：数据集说明，DBNet文本(数字)检测模型训练、CRNN文本(数字)识别模型训练，以及水表数字识别边缘侧部署C++/Android等多个章节，本篇是项目《​​​​水表数字识别》系列文章之《Pytorch CRNN实现水表数字识别。

本项目将实现水表数字识别，整套方案采用二阶段方法实现，即首先使用文本(数字)检测模型DBNet定位水表数字的区域，然后进行校正并裁剪水表数字区域，再使用CRNN模型对水表数字的区域进行文本(数字)识别。

本项目将实现水表数字识别，整套方案采用二阶段方法实现，即首先使用文本(数字)检测模型DBNet定位水表数字的区域，然后进行校正并裁剪水表数字区域，再使用CRNN模型对水表数字的区域进行文本(数字)识别。整套项目分为：数据集说明，DBNet文本(数字)检测模型训练、CRNN文本(数字)识别模型训练，以及水表数字识别边缘侧部署C++/Android等多个章节，本篇是项目《​​​​水表数字识别》系列文章之Pytorch DBNet实现水表数字检测；

深度学习模型算法比较复杂，如果使用CPU计算，速度会很慢，因而需要使用GPU进行并行计算加速。深度学习框架，如Pytorch，TensorFlow都支持GPU训练，使用GPU设备需要显卡的支持，比如常见1080显卡，2070显卡等，同时需要安装对应的显卡驱动，以及CUDA和cuDNN库。其中-i后面的网址，表示安装包的下载地址，国内pip安装速度慢，可以使用-i指定镜像源，加快安装速度。其中-i后面的网址，表示安装包的下载地址，国内pip安装速度慢，可以使用-i指定镜像源，加快安装速度。

主要分享年龄性别人脸数据集，主要介绍MegaAge_Asian，MORPH以及IMDB-WIKI三大数据集，总数约28W+的人脸图片，并且都标注了年龄和性别的信息，可以用于龄性别预测和识别模型的开发。

Pytorch模型训练和C++/Android部署等多个章节，本篇是项目《年龄性别预测》系列文章之Android实现年龄性别预测和识别；本篇主要分享将Python训练后的年龄性别预测和识别模型移植到Android平台，年龄性别估计，年龄性别识别，年龄识别，年龄估计，性别识别

本篇是项目《年龄性别预测》系列文章之C/C++实现年龄性别预测和识别，年龄性别估计，年龄性别识别，年龄识别，年龄估计，性别识别

本篇是项目《年龄性别预测》系列文章之Pytorch实现年龄性别预测和识别；为了方便后续模型工程化和Android平台部署，项目骨干网络backbone支持resnet18/resnet50，以及轻量化模型MobilenetV2模型训练和测试，并提供Python/C++/Android多个版本

一键抠图2：C/C++实现人像抠图 (Portrait Matting),实现一键人像抠图，图像抠图，matting

笔尖笔帽检测3：Android实现笔尖笔帽检测算法(含源码 可是实时检测)，实现了指尖点读，笔尖点读，指尖笔尖关键点检测，笔尖笔帽关键点检测

Pytorch实现笔尖笔帽检测算法(含训练代码和数据集)，本文章只实现了笔尖笔帽关键点检测；实质上，要实现指尖点读或者笔尖点读功能，我们可能并不需要笔帽检测，而是需要实现笔尖+指尖检测功能；其实现方法与笔尖笔帽关键点检测类似。下面是成功产品落地应用的笔尖+指尖检测算法Demo，其检测精度和速度性能都比笔尖笔帽检测的效果要好。笔头检测数据集，笔尖检测数据集，笔帽检测，笔尖点读，指尖点读；手指指尖检测；手指尖检测，指尖笔尖关键点检测

笔尖笔帽检测1：笔尖笔帽检测数据集(含下载链接)，项目收集了手部检测数据集和笔尖笔帽关键点检测数据集，笔头检测数据集，笔尖检测数据集，笔帽检测，笔尖点读，指尖点读；手指指尖检测；手指尖检测，指尖笔尖关键点检测

项目基于Pytorch深度学习框架，实现手部关键点检测(手部姿势估计)模型，其中手部检测采用YOLOv5模型，手部关键点检测是基于开源的HRNet进行改进；手部关键点检测，手指关键点检测；手部检测，手指关节点检测

Pytorch实现鸟类品种分类识别，鸟类识别(含训练代码和鸟类数据集)，鸟类数据集，鸟类识别，鸟类种类识别

人工智能项目集合推荐(数据集 模型训练 C++和Android部署)

面部表情识别4：C++实现表情识别(含源码，可实时检测)；OpenCV实现表情识别，C++表情识别；C表情识别；

Pytorch实现吸烟(抽烟)检测和识别(含吸烟(抽烟)数据集和训练代码)，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模型的吸烟识别准确率也可以高达95.5607%左右，满足业务性能需求。

吸烟(抽烟)数据集说明(含下载链接),吸烟数据集，抽烟数据集，smoking dataset

人脸识别4：Android InsightFace实现人脸识别Face Recognition(含源码)；Android实现人脸识别，Android人脸检测；Android人脸识别

C++人脸识别，人脸检测，opencv人脸识别，opencv人脸检测；整套人脸识别系统核心算法包含人脸检测和人脸关键点检测，人脸校准，人脸特征提取以及人脸比对(1:1)和人脸搜索(1:N)

InsightFace人脸识别，基于开源ArcFace(也称InsightFace)模型搭建一套完整的Python版本人脸识别系统（Face Recognition or Face Identification）；整套人脸识别系统核心算法包含人脸检测和人脸关键点检测，人脸校准，人脸特征提取以及人脸比对(1:1)和人脸搜索(1:N)。

这是项目《人脸检测和行人检测》系列之《C++实现人脸检测和行人检测(含源码，可实时检测)本篇主要分享将Python训练后的YOLOv5的行人检测(人体检测)模型转写成C/C++代码。我们将开发一个简易的、可实时运行的行人检测(人体检测)C/C++ Demo。人脸检测和行人检测C/C ++版本模型推理支持CPU和GPU加速，在GPU(OpenCL)加速下，可以达到实时的检测效果，基本满足业务的性能需求。先展示一下人脸检测和行人检测的效果：

人脸检测和行人检测3：Android实现人脸检测和行人检测(含源码，可实时检测)； Android实现人脸检测，Android实现人体检测，人脸人体检测，人脸行人检测

这是项目《跌倒检测和识别》系列之《C++实现跌倒检测(含源码，可实时跌倒检测)本篇主要分享将Python训练后的YOLOv5的跌倒检测模型转写成C/C++。我们将开发一个简易的、可实时运行的跌倒检测C/C++ Demo，可实现检测人体的up(站立)，bending(弯腰,蹲下)和down(躺下，摔倒)三种状态。跌倒检测和识别Demo在OpenCL加速下，可以达到实时的检测和识别效果，基本满足业务的性能需求。

跌倒检测和识别3：Android实现跌倒检测(含源码，可实时跌倒检测)，android跌倒检测，跌倒识别，摔倒检测和识别，跌倒检测和识别，Android实现跌倒检测

跌倒检测和识别2：YOLOv5实现跌倒检测(含跌倒检测数据集和训练代码)，跌倒检测和识别，yolov5, 摔倒检测和识别

跌倒检测和识别1：跌倒检测数据集(含下载链接)，跌倒（摔跤，躺下）检测，跌倒摔倒滑倒

人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)，可实现同时检测人脸框和行人(人体)框，yolov5实现人脸检测，人体检测，行人检测，人脸人体检测，数据集，人脸行人检测

Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)，支持googlenet,resnet[18,34,50],inception_v3,mobilenet_v2模型；中草药识别，中药材识别，中草药AI识别，中药材AI识别，pytorch

面部表情识别，Pytorch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；情绪识别， Facial Expression Recognition

Android实现表情识别(含源码，可实时检测)，Android面部表情识别，Android情绪识别， Facial Expression Recognition

这是项目《面部表情识别》系列文章之《表情识别数据集(含下载链接)》；我们将分享多个表情识别数据集（ Facial Expression Dataset），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。Facial Expression Database

项目基于深度学习框架Pytorch开发一个高精度，可实时的戴眼镜检测和识别算法（Eyeglasses Detection andrecognition）；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；；戴眼镜检测和戴眼镜识别，佩戴眼镜检测和识别

戴眼镜检测和识别1：戴眼镜检测数据集(含下载链接)，戴眼镜检测，戴眼镜识别，Eyeglasses Dataset；带眼镜检测和识别，人脸检测

深度学习框架，如Pytorch，TensorFlow都支持GPU训练，使用GPU设备需要显卡的支持，比如常见1080显卡，2070显卡等，同时需要安装对应的显卡驱动，以及CUDA和cuDNN库。其中-i后面的网址，表示安装包的下载地址，国内pip安装速度慢，可以使用-i指定镜像源，加快安装速度。其中-i后面的网址，表示安装包的下载地址，国内pip安装速度慢，可以使用-i指定镜像源，加快安装速度。请选择自己的版本进行安装，比如如果你安装cuda=11.0,那么则安装对应的版本torch。