使用python制作自己的表情。。。。。。。。。。。。。。

详细信息见博文：https://blog.csdn.net/GUA8122HOU/article/details/126168609 人脸表情的数据集和自己训练出来yolov5模型以及基于PYQT5运行yolov5的交互界面 包括源代码和模型，数据集见博文网盘自取。

表情符号情绪 表情符号情绪数据 带有简约API的轻量级，易于使用的JSON数据 根据佩特拉（Petra）克拉里·诺瓦克（Kralj Novak）的工作； 茉莉花Smailović； Sluban，Borut和Mozetič，Igor，2015年，表情符号情感排名1.0 ，斯洛文尼亚语言资源库CLARIN.SI， //hdl.handle.net/11356/1048。 他们邀请83位人类注释者按照情感极性（消极，中性或正面）在13种欧洲语言中标记超过160万条推文，而其中大约4％的推文中包含表情符号 此模块基于和根据 计算出的派生数据提供 查看该库提供的数据。 API 要求/导入emoj

matlab有些代码不运行疼痛回归 正则化面部验证网以进行疼痛强度回归 要求 我的Caffe（）。 如果您不想使用班级平衡采样（）进行训练，而又不想在训练期间观察皮尔逊相关（），则可以使用官方的Caffe。 Matlab， 具有CUDA支持的GPU， MTCNN脸部和脸部界标检测器（）。 回归结果与评估 我们在/results上传了由我们的算法生成的一些预测值。 您可以将它们加载到Matlab中，然后运行以获取各种指标下的性能。 训练 下载UNBC-McMaster肩膀疼痛数据集（）。 删除095-tv095\tv095t1afaff的黑色文件。 从或下载预训练的面部验证模型。 通过来检测并对齐数据集中的人脸。 通过和为Caffe的ImageData图层创建列表（用于交叉验证）。 将创建的所有文件夹复制到./prototxt/并运行。 训练所有25倍交叉验证大约需要4-6个小时。 验证 用于从25倍交叉验证中提取结果（因为当检测器无法在图像中找到人脸时，我没有编写逻辑）。 通过获得表演。 我们鼓励将来的工作使用建议的新评估指标wMAE和wMSE 。 评估代码在中。 EmotionNet

基于VGGNet卷积神经网络的表情识别。

仅供学习参考

QT 做一个简易表情代码有显示表情插入表情功能

网络模型共含有19层，其中7层传统卷积层、8层深度可分离卷积层、4层最大池化层。同时，使用了 Adam优化器及对数损失函数。网络结构如图4所示，顺序从左至右、从上至下，并做以下说明： Conv为传统卷积层，其后3个参数分别代表：卷积核个数、卷积核大小、步长。 activation表示该层对应的激活函数。 SeparableConv为深度可分离卷积层，其后2个参数分别代表：卷积核个数、卷积核大小，步长均为 1。 MaxPooing为最大池化层，其后2个参数分别代表：滤波器大小、步长。 ReLU为线性整流函数，作为卷积后的激活函数，相比sigmoid函数和tanh函数有着更好的效果。 softmax用于将最后一层卷积输出的七个数值映射到（0,1）区间，并使它们和为 1。 这样能更直观地以概率的形式显示结果。 在每一层卷积过后，都加入了批量归一化（Batch Normalization，BN）层，图中未标出。批量归一化对网络训练的各个方面都有一定的提升作用。它可以加快训练并提高性能、解决梯度消失的问题、规范权重、优化网络梯度流等，所以很有必要加入。 整个网络参数数量仅为75906个，其中可训

我博客所对应的数据集,https://blog.csdn.net/fanzonghao/article/details/86543538

表情识别数据集，共有7种表情，分别对应于数字标签0-6，具体表情对应的标签和中英文如下：0 anger 生气； 1 disgust 厌恶； 2 fear 恐惧； 3 happy 开心； 4 sad 伤心；5 surprised 惊讶； 6 normal 中性。