python+pytorch人脸表情识别

概述

基于深度学习的人脸表情识别,数据集采用公开数据集fer2013,可直接运行,效果良好,可根据需求修改训练代码,自己训练模型。

详细

一、概述

本项目以PyTorch为框架,搭建卷积神经网络模型,训练后可直接调用py文件进行人脸检测与表情识别,默认开启摄像头实时检测识别。效果良好,可根据个人需求加以修改。

二、演示效果:

三、实现过程

  1. 搭建网络

    def init(self):
    super(FaceCNN, self).init()

    复制代码
     # 第一次卷积、池化
     self.conv1 = nn.Sequential(
         nn.Conv2d(in_channels=1, out_channels=64, kernel_size=3, stride=1, padding=1),  # 卷积层
         # BatchNorm2d进行数据的归一化处理,这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定
         nn.BatchNorm2d(num_features=64),  # 归一化
         nn.RReLU(inplace=True),  # 激活函数
         nn.MaxPool2d(kernel_size=2, stride=2),  # 最大值池化
     )
    
     # 第二次卷积、池化
     self.conv2 = nn.Sequential(
         nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1),
         nn.BatchNorm2d(num_features=128),
         nn.RReLU(inplace=True),
         nn.MaxPool2d(kernel_size=2, stride=2),
     )
    
     # 第三次卷积、池化
     self.conv3 = nn.Sequential(
         nn.Conv2d(in_channels=128, out_channels=256, kernel_size=3, stride=1, padding=1),
         nn.BatchNorm2d(num_features=256),
         nn.RReLU(inplace=True),
         nn.MaxPool2d(kernel_size=2, stride=2),
     )
    
     # 参数初始化
     self.conv1.apply(gaussian_weights_init)
     self.conv2.apply(gaussian_weights_init)
     self.conv3.apply(gaussian_weights_init)
    
     # 全连接层
     self.fc = nn.Sequential(
         nn.Dropout(p=0.2),
         nn.Linear(in_features=256 * 6 * 6, out_features=4096),
         nn.RReLU(inplace=True),
         nn.Dropout(p=0.5),
         nn.Linear(in_features=4096, out_features=1024),
         nn.RReLU(inplace=True),
         nn.Linear(in_features=1024, out_features=256),
         nn.RReLU(inplace=True),
         nn.Linear(in_features=256, out_features=7),
     )
  2. 训练模型

    载入数据并分割batch

    train_loader = data.DataLoader(train_dataset, batch_size)

    损失函数

    loss_function = nn.CrossEntropyLoss()

    学习率衰减

    scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.8)

    device = "cuda" if torch.cuda.is_available() else 'cpu'

    构建模型

    model = FaceCNN().to(device)

    优化器

    optimizer = optim.SGD(model.parameters(), lr=learning_rate, weight_decay=wt_decay)

    逐轮训练

    for epoch in range(epochs):
    if (epoch + 1) % 10 == 0:
    learning_rate = learning_rate * 0.1
    # 记录损失值
    loss_rate = 0
    # scheduler.step() # 学习率衰减
    model.train() # 模型训练
    for images, labels in train_loader:
    images, labels = images.to(device), labels.to(device)
    # 梯度清零
    optimizer.zero_grad()
    # 前向传播
    output = model.forward(images)
    # 误差计算
    loss_rate = loss_function(output, labels)
    # 误差的反向传播
    loss_rate.backward()
    # 更新参数
    optimizer.step()

  3. 模型预测

    with torch.no_grad():
    pred = model(face)
    probability = torch.nn.functional.softmax(pred, dim=1)
    probability = np.round(probability.cpu().detach().numpy(), 3)
    max_prob = np.max(probability)
    # print(max_prob)
    predicted = classes[torch.argmax(pred[0])]
    cv2.putText(img, predicted + " " + str(max_prob), (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 1, (100, 255, 0), 1, cv2.LINE_AA)
    cv2.imshow('frame', img)

相关推荐
Sylvia-girl4 小时前
Java——抽象类
java·开发语言
Yana.nice6 小时前
Bash函数详解
开发语言·chrome·bash
江沉晚呤时7 小时前
在 C# 中调用 Python 脚本:实现跨语言功能集成
python·microsoft·c#·.net·.netcore·.net core
电脑能手7 小时前
如何远程访问在WSL运行的Jupyter Notebook
ide·python·jupyter
tomorrow.hello8 小时前
Java并发测试工具
java·开发语言·测试工具
Edward-tan8 小时前
CCPD 车牌数据集提取标注,并转为标准 YOLO 格式
python
晓13138 小时前
JavaScript加强篇——第四章 日期对象与DOM节点(基础)
开发语言·前端·javascript
老胖闲聊8 小时前
Python I/O 库【输入输出】全面详解
开发语言·python
倔强青铜三8 小时前
苦练Python第18天:Python异常处理锦囊
人工智能·python·面试
倔强青铜三9 小时前
苦练Python第17天:你必须掌握的Python内置函数
人工智能·python·面试