keras_训练人脸识别模型心得

keras_cnn_实现人脸训练分类

　　废话不多扯，直接进入正题吧！今天在训练自己分割出来的图片，感觉效果挺不错的，所以在这分享一下心得，望入门的同孩采纳。

　　1、首先使用python OpenCV库里面的人脸检测分类器把你需要训练的测试人脸图片给提取出来，这一步很重要，因为deep learn他也不是万能的，很多原始人脸图片有很多干扰因素，直接拿去做模型训练效果是非常low的。所以必须得做这一步。而且还提醒一点就是你的人脸图片每个类别的人脸图片光线不要相差太大，虽然都是灰度图片，但是会影响你的结果，我测试过了好多次了，

　　2、把分割出来的人脸全部使用resize的方法变成[100x100]的图片，之前我也试过rgb的图片，但是效果不好，所以我建议都转成灰度图片，这样数据量小，计算速度也快，当然了keras的后端我建议使用TensorFlow-GPU版，这样计算过程明显比CPU快1万倍。

　　3、时间有限，我的数据集只有六张，前面三张是某某的人脸，后面三张又是另一个人脸，这样就只有两个类别，说到这里的时候很多人都觉得不可思议了吧，数据集这么小你怎么训练的？效果会好吗？那么你不要着急慢慢读下去吧！其次我把每个类别的前面两张图片自我复制了100次，这样我就有数据集了，类别的最后一张使用来做测试集，

　　自我复制50次。下面我来为大家揭晓答案吧，请详细参考如下代码：

（1）、导包

复制代码
# coding:utf-8
import numpy as np
import os
import cv2
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
from keras.models import Sequential
from keras.layers import Dense,Dropout,Flatten
from keras.layers import Conv2D,MaxPooling2D
from keras import optimizers
import pandas as pd
import matplotlib.pyplot as plt
导入需要包
复制代码

（2）、读取我们的图片数据

复制代码
filePath = os.listdir('img_test/')
print(filePath)
img_data = []
for i in filePath:
    img_data.append(cv2.resize(cv2.cvtColor(cv2.imread('img_test/%s'%i),cv2.COLOR_BGR2GRAY),(100,100),interpolation=cv2.INTER_AREA))
导入图片
复制代码

（3）、制作训练集合测试集

复制代码
x_train = np.zeros([100,100,100,1])
y_train = []
x_test = np.zeros([50,100,100,1])
y_test = []

for i in range(100):
    if i<25:
        x_train[i,:,:,0] = img_data[2]
        y_train.append(1)
    elif 25<=i<50:
        x_train[i, :, :, 0] = img_data[4]
        y_train.append(2)
    elif 50<=i<75:
        x_train[i, :, :, 0] = img_data[1]
        y_train.append(1)
    else:
        x_train[i, :, :, 0] = img_data[5]
        y_train.append(2)

for j in range(50):
    if j%2==0:
        x_test[j, :, :, 0] = img_data[0]
        y_test.append(1)
    else:
        x_test[j, :, :, 0] = img_data[3]  # np.ones((100,100))
        y_test.append(2)

y_train = np.array(pd.get_dummies(y_train))
y_ts = np.array(y_test)
y_test = np.array(pd.get_dummies(y_test))
训练数据与测试数据
复制代码

（4）、建立keras_cnn模型

复制代码
model = Sequential()
# 第一层：
model.add(Conv2D(32,(3,3),input_shape=(100,100,1),activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.5))
# model.add(Conv2D(64,(3,3),activation='relu'))
#第二层：
# model.add(Conv2D(32,(3,3),activation='relu'))  # model.add(Dropout(0.25))
# model.add(MaxPooling2D(pool_size=(2,2)))
# model.add(Dropout(0.25))

# 2、全连接层和输出层：
model.add(Flatten())
# model.add(Dense(500,activation='relu'))
# model.add(Dropout(0.5))
model.add(Dense(20,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(2,activation='softmax'))

model.summary()
model.compile(loss='categorical_crossentropy',#,'binary_crossentropy'
              optimizer=optimizers.Adadelta(lr=0.01, rho=0.95, epsilon=1e-06),#,'Adadelta'
              metrics=['accuracy'])
建立模型
复制代码

（5）、训练模型和得分输出

?
1
2
3
4
5
6
7
8
9
# 模型训练
model.fit(x_train,y_train,batch_size=30,epochs=100)
y_predict = model.predict(x_test)
score = model.evaluate(x_test, y_test)
print(score)
y_pred = np.argmax(y_predict,axis=1)
plt.figure('keras')
plt.scatter(list(range(len(y_pred))),y_pred ,c=y_pred)
plt.show()

 

 　　下面是结果输出，loss = 0.0018 acc = 1.0 效果很不错，主要在于你训练时候的深度。

 

 

 

 完整代码如下：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
1 # coding:utf-8
  2 import numpy as np
  3 import os
  4 import cv2
  5 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
  6 from keras.models import Sequential
  7 from keras.layers import Dense,Dropout,Flatten
  8 from keras.layers import Conv2D,MaxPooling2D
  9 from keras import optimizers
 10 import pandas as pd
 11 import matplotlib.pyplot as plt
 12
 13 filePath = os.listdir('img_test/')
 14 print(filePath)
 15 img_data = []
 16 for i in filePath:
 17     img_data.append(cv2.resize(cv2.cvtColor(cv2.imread('img_test/%s'%i),cv2.COLOR_BGR2GRAY),(100,100),interpolation=cv2.INTER_AREA))
 18
 19
 20 x_train = np.zeros([100,100,100,1])
 21 y_train = []
 22 x_test = np.zeros([50,100,100,1])
 23 y_test = []
 24
 25 for i in range(100):
 26     if i<25:
 27         x_train[i,:,:,0] = img_data[2]
 28         y_train.append(1)
 29     elif 25<=i<50:
 30         x_train[i, :, :, 0] = img_data[4]
 31         y_train.append(2)
 32     elif 50<=i<75:
 33         x_train[i, :, :, 0] = img_data[1]
 34         y_train.append(1)
 35     else:
 36         x_train[i, :, :, 0] = img_data[5]
 37         y_train.append(2)
 38
 39 for j in range(50):
 40     if j%2==0:
 41         x_test[j, :, :, 0] = img_data[0]
 42         y_test.append(1)
 43     else:
 44         x_test[j, :, :, 0] = img_data[3]  # np.ones((100,100))
 45         y_test.append(2)
 46
 47 y_train = np.array(pd.get_dummies(y_train))
 48 y_ts = np.array(y_test)
 49 y_test = np.array(pd.get_dummies(y_test))
 50 '''
 51 from keras.models import load_model
 52 from sklearn.metrics import accuracy_score
 53
 54 model = load_model('model/my_model.h5')
 55 y_predict = model.predict(x_test)
 56 y_p = np.argmax(y_predict,axis=1)+1
 57 score = accuracy_score(y_ts,y_p)
 58 # score = model.evaluate(x_train,y_train)
 59 print(score)
 60 '''
 61
 62 model = Sequential()
 63 # 第一层：
 64 model.add(Conv2D(32,(3,3),input_shape=(100,100,1),activation='relu'))
 65 model.add(MaxPooling2D(pool_size=(2,2)))
 66 model.add(Dropout(0.5))
 67 # model.add(Conv2D(64,(3,3),activation='relu'))
 68 #第二层：
 69 # model.add(Conv2D(32,(3,3),activation='relu'))  # model.add(Dropout(0.25))
 70 # model.add(MaxPooling2D(pool_size=(2,2)))
 71 # model.add(Dropout(0.25))
 72
 73 # 2、全连接层和输出层：
 74 model.add(Flatten())
 75 # model.add(Dense(500,activation='relu'))
 76 # model.add(Dropout(0.5))
 77 model.add(Dense(20,activation='relu'))
 78 model.add(Dropout(0.5))
 79 model.add(Dense(2,activation='softmax'))
 80
 81 model.summary()
 82 model.compile(loss='categorical_crossentropy',#,'binary_crossentropy'
 83               optimizer=optimizers.Adadelta(lr=0.01, rho=0.95, epsilon=1e-06),#,'Adadelta'
 84               metrics=['accuracy'])
 85
 86 # 模型训练
 87 model.fit(x_train,y_train,batch_size=30,epochs=150)
 88 y_predict = model.predict(x_test)
 89 score = model.evaluate(x_test, y_test)
 90 print('loss: ',score[0],'  acc: ',score[1])
 91 y_pred = np.argmax(y_predict,axis=1)
 92 plt.figure('keras',figsize=(12,6))
 93 plt.scatter(list(range(len(y_pred))),y_pred ,c=y_pred)
 94 plt.show()
 95
 96 # 保存模型
 97 # model.save('test/my_model.h5')
 98
 99 # import matplotlib.pyplot as plt
100 # plt.imshow(x_train[30,:,:,0].reshape(100,100),cmap='gray')
101 # plt.figure()
102 # plt.imshow(x_test[3,:,:,0].reshape(100,100),cmap='gray')
103 # plt.xticks([]);plt.yticks([])
104 # plt.show()

　　

 

posted @   算法浪客  阅读(8478)  评论(1)  编辑  收藏  举报
编辑推荐：
· .NET Core 中如何实现缓存的预热？
· 从 HTTP 原因短语缺失研究 HTTP/2 和 HTTP/3 的设计差异
· AI与.NET技术实操系列：向量存储与相似性搜索在 .NET 中的实现
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· Linux系列：如何用heaptrack跟踪.NET程序的非托管内存泄露
阅读排行：
· TypeScript + Deepseek 打造卜卦网站：技术与玄学的结合
· Manus的开源复刻OpenManus初探
· 三行代码完成国际化适配，妙~啊~
· .NET Core 中如何实现缓存的预热？
· 如何调用 DeepSeek 的自然语言处理 API 接口并集成到在线客服系统
点击右上角即可分享
微信分享提示
SQL AI 助手