Python中的BlazeFace
BlazeFace是Google Research提供的一种快速，轻巧的面部检测器。 ，
预训练模型可作为Google 框架的一部分使用。
除了边界框之外，BlazeFace还可以预测脸部界标的6个关键点（2x眼睛，2x耳朵，鼻子，嘴巴）。
因为BlazeFace是为在移动设备上使用而设计的，所以预训练的模型为TFLite格式。 但是，我想从PyTorch使用它，所以我进行了转换。
注意： MediaPipe模型与BlazeFace论文中描述的模型略有不同。 它使用具有3x3内核而不是5x5的深度卷积。 它仅使用“单个” BlazeBlock，而不使用“双重” BlazeBlock。
BlazePaper论文提到该模型有两个版本，一个用于前置摄像头，一个用于后置摄像头。 此仓库仅包含前置摄像头型号，因为这是我能够为其找到经过官方培训的版本的唯一
2021-08-24 19:55:29
1.71MB
1
yolov5_face_landmark
基于yolov5的人脸检测，带关键点检测
代码说明：
1，在yolov5的检测基础上，加上关键点回归分支，请先下载yolov5的工程：
2，detect_one.py是单张图片的测试代码， 基于部分wideface训练的模型，稍后在百度云公开。
主要修改代码部分：
(1)hyp.scatch.yaml中增加关键点loss的超参数（landmark: 0.5）
(2)yolo.py中增加了关键点回归的计算
(3)face_datasets.py为人脸数据的读取方式，准备数据的格式参考yolov5的格式，在后面增加关键点的坐标（归一化）
(4) loss.py中增加关键点回归的loss计算
(5) 链接: 密码: j83n
(6) 效果图 :
关于口罩人脸的问题：
1，增加口罩人脸这个类别，建议不要直接在检测分支中增加类别。
2，应该在关键点分
2021-08-24 19:05:48
361KB
1
加入关键点的darknet训练框架，使用yolov3实现了轻量级的人脸检测。借鉴AlexeyAB大神的 darknet 做适量修改。
使用scripts/retinaface2yololandmark.py脚本将retinaface的标记文件转为yolo的格式使用
其他编译训练都和原版darknet相同使用yolo_landmark.py进行测试，更换里面的模型配置文件即可。
2021-08-18 10:22:34
15.29MB
1
基于matlab的人脸检测识别（包含人脸库，matlab），值得大家学习看看
2021-08-17 22:00:39
134KB
1
使用Pytorch进行人脸识别
Python
3.7
3.6
3.5
地位
这是pytorch中Inception Resnet（V1）模型的存储库，已在VGGFace2和CASIA-Webface上进行了预训练。
使用从David Sandberg的移植的参数来初始化Pytorch模型权重。
此回购中还包括用于推理之前的人脸检测的MTCNN的有效pytorch实现。 这些模型也经过预训练。 据我们所知，这是最快的MTCNN实现。
目录
视频流中的人脸跟踪
使用新数据微调预训练模型
Facenet-PyTorch中的MTCNN指南
人脸检测套件的性能比较
FastMTCNN算法
与Docker一起运行
在您自己的git项目中使用此仓库
将参数从Tensorflow转换为Pytorch
参考
快速开始
安装：
# With pip:
pip install facene
2021-08-17 10:27:04
19.61MB
1