计算机视觉项目实战（持续更新）

记录每次计算机视觉任务的实验过程，包括模型的设计、所使用的数据集，损失函数和实验结果

一、人脸相关

1. 基于centerface的人脸检测

实验结果：

 

2. 基于arcface的人脸识别

模型设计：

模型框架：facemobilenet

loss: arcface as metrix func + focal loss

测试的度量标准： cos夹角（np.dot(x1,x2)/(np.linalg.norm(x1)*np.linalg.norm(x2))

模型参数：

优化器：SGD，loss：foal_lossinput :(N,1,112,112)

训练集：CASIA-webface （10575ids）

实验结果：

测试集：lfw 3000pairs

Test Model: checkpoints/21.pth Accuracy: 0.966 Threshold: 0.336

二、目标检测

1. 基于YOLOV3的目标检测

实验结果：

 

 2.基于YOLOV5的缺陷检测

项目参数

数据集：NEU-DET

数据参数：names: ['crazing', 'inclusion', 'patches', 'pitted_surface', 'rolled-in_scale', 'scratches']

实验结果：

训练了34个epoch

1个batch的测试结果展示

 3. 基于centernet的目标检测

实验结果：

三、图像分割

1. 基于Unet的图像分割

模型设计

模型框架：resnet50。用resnet50中7*7卷积核和4个stage提取的五个特征作为输入，上采样4次的得到和原图像分辨率大小一样的特征图，

模型参数

训练集：VOC2007

input：3*512*512 output：21*512*512

实验结果：

混合输出结果：

 MIOU：

说明：项目内容会持续填充，您有哪些想法和建议，欢迎评论，参考内容如有侵权，也请联系我，我会作出删除内容或添加参考的措施，感谢您的帮助和理解！！！

参考：

人脸检测：https://github.com/siriusdemon/Build-Your-Own-Face-Model

数据集：https://github.com/Charmve/Surface-Defect-Detection

目标检测：https://github.com/ultralytics/yolov5

图像分割：https://github.com/bubbliiiing/unet-pytorch