使用openface

在github上搜索openface,clone下来;

按照requirement.txt中安装需要的项:

  sudo apt-get install ....

  sudo pip install ...

然后需要配置openCV和dlib,同样从github上clone下来,执行sudo python setup.py install

最后检查是否成功:

  python

    import cv2

    import dlib

    import openface

无错误显示则配置成功。

时间: 2024-10-09 17:41:11

使用openface的相关文章

OpenFace库(Tadas Baltrusaitis)中基于Haar Cascade Classifiers进行人脸检测的测试代码

Tadas Baltrusaitis的OpenFace是一个开源的面部行为分析工具,它的源码可以从 https://github.com/TadasBaltrusaitis/OpenFace 下载.OpenFace主要包括面部关键点检测(facial landmard detection).头部姿势估计(head pose estimation).面部动作单元识别(facial action unit recognition).人眼视线方向估计(eye gaze estimation). 编译T

OpenFace Docker 使用简介

在Docker中使用openface最大的问题是数据与主机的交互,下面我介绍几种方法来实现主机与Docker容器的数据交互. 1.第一种也是最方便的一种方法是在进入容器时使用-v参数将主机的目录挂载到容器的指定目录下.首先切换到root,再进入openface su docker run -v /home/username/Downloads:/mnt -p 9000:9000 -p 8000:8000 -t -i bamos/openface /bin/bash 上述命令将主机的/home/u

openFace 人脸识别框架测试

openface  人脸识别框架  但个人感觉精度还是很一般 openface的githup文档地址:http://cmusatyalab.github.io/openface/ openface的安装: 官方推荐用docker来安装openface,这样方便快速不用自己去安装那么多依赖库: docker pull bamos/openface docker run -p 9000:9000 -p 8000:8000 -t -i bamos/openface /bin/bash 也就两行代码的事

openface 训练数据集

训练深度网络模型OpenFace还不是运用faceNet的model作为训练模型,所以在准确性上比faceNet要低,如果你只是做一个简单的分类,建议你看看官网的demo3(http://cmusatyalab.github.io/openface/demo-3-classifier/),如果你想自己训练一个模型,建议提供一个大于500k的图片集作为训练集.(这里的500k应该是50w张图片来理解更合适)Openface暂时还没提供该faceNet模型的支持.注意:在K40Gpu的机器上训练数据

OpenFace 调试记录

1.OpenFace 是 卡耐基梅陇(CMU)大学的一个图像+机器学习项目,整体程序包含:人脸发现,特征提取,特征神经网络训练,人脸识别这四部分. github   https://github.com/cmusatyalab/openface/ API文档  http://openface-api.readthedocs.io/en/latest/index.html website  http://cmusatyalab.github.io/openface/ 2.安装 官方安装说明    

【下载】推荐一款免费的人脸识别SDK

现已进入刷脸的时代,例如,人脸支付.人脸识别的门禁.人流监控等等.如何在Firefly开源板上快速搭建DEMO,并快速产品化?为了让更多产品可以用上人脸识别技术,Firefly推出了一款高性能人脸识别SDK.此SDK的人脸识别的算法,运行效率高,识别精确度高,性能优异,可以直接应用于商业产品. 下文主要讲述如何在Firefly RK3399平台部署并测试OpenFace SDK,Let's GO!      一.Firefly RK3399开源板安装Ubuntu 16.04系统固件      系

TensorFlow实现基于深度学习的图像补全

目录 ■ 简介 ■ 第一步:将图像理解为一个概率分布的样本 你是怎样补全缺失信息的呢? 但是怎样着手统计呢?这些都是图像啊. 那么我们怎样补全图像?  ■ 第二步:快速生成假图像 在未知概率分布情况下,学习生成新样本 [ML-Heavy] 生成对抗网络(Generative Adversarial Net, GAN) 的架构 使用G(z)生成伪图像 [ML-Heavy] 训练DCGAN 现有的GAN和DCGAN实现 [ML-Heavy] 在Tensorflow上构建DCGANs 在图片集上跑DC

Awesome Machine Learning

Awesome Machine Learning  A curated list of awesome machine learning frameworks, libraries and software (by language). Inspired by awesome-php. If you want to contribute to this list (please do), send me a pull request or contact me @josephmisiti Als

從文本到視覺:各領域最前沿的論文集合

選自GitHub 作者:Simon Brugman 參與:吳攀 深度學習已經在語音識別.機器翻譯.圖像目標檢測和聊天機器人等許多領域百花齊放.近日,GitHub 用戶 Simon Brugman 發布了一個按任務分類的深度學習論文項目,其按照不同的任務類型列出了一些當前最佳的論文和對起步有用的論文. 目錄 1. 文本 1.1. 代碼生成(Code Generation) 1.2. 情感分析(Sentiment Analysis) 1.3. 翻譯(Translation) 1.4. 分類(Clas