<var id="fnfpo"><source id="fnfpo"></source></var>
<rp id="fnfpo"></rp>

<em id="fnfpo"><object id="fnfpo"><input id="fnfpo"></input></object></em>
<em id="fnfpo"><acronym id="fnfpo"></acronym></em>

  • <th id="fnfpo"><track id="fnfpo"></track></th>
  • <progress id="fnfpo"><track id="fnfpo"></track></progress>
    

    • <tbody id="fnfpo"><pre id="fnfpo"></pre></tbody>
  • 




    

    





    





    


    


    


    

    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

    


    

    


    關鍵詞：
    全志    , T527    , 人臉識別    , 嵌入式    , 米爾電子
    


    
 

    

    

    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�。豪蒙窠浘W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://www.portaltwn.com/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。

    




    




    

    


    




    

    





    

    

    

    

高級模式


    
B
Color
Image
Link
Quote
Code
Smilies

    

    

    
您需要登錄后才可以發表評論 登錄 | 立即注冊

    

    

    

    

    

    

    






    


    

    

    


    


    


    


    


    



    


    



    


    



    


    



    


    



    


    
貿澤電子有獎問答視頻，答對領10元微信紅包

    





    廠商推薦
    

      


    • Microchip視頻專區
    • Dev Tool Bits——使用MPLAB®  Discover瀏覽資源
      • 

    • Dev Tool Bits——使用條件軟件斷點宏來節省時間和空間
      • 

    • Dev Tool Bits——使用DVRT協議查看項目中的數據
      • 

    • Dev Tool Bits——使用MPLAB® Data Visualizer進行功率監視
      • 


    • 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


    


精品一区二区三区自拍图片区_国产成人亚洲精品_亚洲Va欧美va国产综合888_久久亚洲国产精品五月天婷