Awesome Computer Vision, 做计算机视觉的程序员

显然已经没有了传统CV的位置了，由于大模型算力要求高···除了唯一一道Open-set比赛外，其他都变成了方案型，不再线上比拼指标了。仅剩的一道CV题，也不是普通的刷某个任务了，变成了开放集检测。要抓紧拥抱变化···拥抱大模型了，问题来了，卡呢···同行们转方向转得咋样了。

从接触深度学习开始一直都做的是人脸识别，基本上也一直都在用mxnet. 记得之前在刚接触的时候看到博客中写到，深度学习分三个层次，第一个层次是分类，第二个层次是检测，第三个层次是分割。人脸识别算是分类问题，也就是一直在第一个层次···一直都想有机会了解下第二个层次，奈何精力有限，工作中也没有实际的项目需要。最近正好有个不急的检测项目，趁此机会入门检测吧。

人脸对齐（face alignment）或者人脸关键点（face alignment）是定位人脸上的关键点，是很多基于人脸的任务的前置步骤，比如人脸识别、表情分析、人脸变装（makeup）等。人脸对齐有2D和3D对齐，本篇主要讲2D对齐。人脸姿态对齐：人脸识别等算法都需要对人脸的姿态进行对齐从而提高模型的精度。人脸美颜与编辑：基于关键点可以精确分析脸型、眼睛形状、鼻子形状等，从而对人脸的特定位置进行修饰加工，实现人脸特效美颜，贴片等娱乐功能。

目录1.前沿2.二维码数据3.训练配置3.1数据集设置3.2训练参数的配置3.3网络结构设置3.4训练3.5结果示例附录：数据集下载1.前沿之前总结过yolov5来做皮卡丘的检测，用来熟悉yolov5的使用，不过总归是个demo型的应用，没啥实用价值。后来正好项目上有需要在成像条件不好的情况去检测二维码，传统的二维码检测方式基本上是通过角点检测定位二维码的三个定位点，在成像不好的时候，很容易失败。如果用深度学习去做鲁棒性就强很多，在检测到二维码之后，可以进行调焦或

模型剪枝（Model Pruning）是一种通过减少神经网络模型中的冗余参数和连接来优化模型的方法。它旨在减小模型的大小、内存占用和计算复杂度，同时尽可能地保持模型的性能。模型剪枝的基本思想是通过识别和删除对模型性能影响较小的参数或连接，以达到模型精简和优化的目的。方法包括剪枝后的参数微调、重新训练和微调整体网络结构等。直观的理解就是像下图这样。模型剪枝可以在不显著损失模型性能的情况下，大幅度减少模型的参数量和计算量，从而提高模型的部署效率和推理速度。

最近发现一个叫的开集目标检测算法，所谓开集目标检测就是能检测的目标类别不局限于训练的类别，这个算法可以通过输入文本的prompt然后输出对应的目标框。可以用来做预标注或者其他应用，比如我们要训练某个细分场景的算法时，我们找不到足够的已经标注的数据，就可以先用这个算法预打标。

虽然现在已经是深度学习的时代了，传统的机器学习方法日渐甚微，不过有些算法还是有着旺盛的生命力，比如SIFT、SVM，在一些深度学习算法中也能看到它们的影子。这些人工设计的经典特征和分类器可以让我们感受到那个时代计算机视觉的魅力。互联网上，需要处理识别的图像越来越多，为此图像分类搜索引擎所需的分类能力要求越来越高，在图像处理领域内也成为越来越热点的课题。对目标进行分类是人类的天生能力，对于计算机，现实世界的呈现方式大多是以图片的方式（视频本质上也是图片）输入，因而图片的分类是实现人工智能的重要部分。