معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Face recognition based on Facenet

ویژگی	مقدار
سیستم عامل	-
نام فایل	facenet_recognition-0.1.4
نام	facenet_recognition
نسخه کتابخانه	0.1.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Ishwar Sawale
ایمیل نویسنده	ishwar.code@gmail.com
آدرس صفحه اصلی	http://github.com/ishwarsawale/facenet_recognition
آدرس اینترنتی	https://pypi.org/project/facenet_recognition/
مجوز	MIT

Face Recognition ================ Face Recognition Based on Facenet Built using `Facenet <https://github.com/davidsandberg/facenet>`__'s state-of-the-art face recognition built with deep learning. The model has an accuracy of 99.2% on the `Labeled Faces in the Wild <http://vis-www.cs.umass.edu/lfw/>`__ benchmark. Features -------- - Out of Box Working Face Recognition - Choose Any Pre-Trained Model from Facenet - For training just provide the proper folder structure - Faster than other available solutions Prerequisites ~~~~~~~~~~~~~ - You need Python(2.6 to 3.5) installed - X-based System supported *(does work on Windows but not tested)* Installing ~~~~~~~~~~ .. code:: python pip install facenet_recognition Setup ^^^^^ **Create setup as follows:** 1. Create input directory eg: input\_images 2. Create aligned images directory eg: aligned\_images *Create this directory we will store aligned images here* 3. Create pre-trained model directory eg: pretrained\_facenet\_model *Download Pre-Trained model from `Facenet`* and keep it in the pre\_model directory 4. Create my trained classifier directory eg: my\_classifier *In this directory we will save our trained model* Let's Begin ----------- For Facial Recognition we need to align images as follows: ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ .. code:: python import facenet_recognition facenet_recognition.align_input('input_images','aligned_images') *Above command will create our input images into aligned format and save it in given aligned images folder* Train & Test Classifier on Images ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ After we have aligned images now we can train our classifier. .. code:: python pre_model='./pretrained_facenet_model/20170511-185253.pb' #locaiton of pret-trained model from Facenet my_class ='./my_classifier/my_classifier.pkl' #location where we want to save test_classifier_type = 'svm' #type of model either svm or nn weight= './my_classifier/model_small.yaml' #local stored weights facenet_recognition.test_train_classifier(aligned_images,pre_model,my_class,weight,test_classifier_type,nrof_train_images_per_class=30, seed=102) *Mininum Required Image per person*: *1* *Number of Images for Training per Person*: *30 (configurable)* Train Classifer on Images(only Training) ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ This API is used to Train our Classifier on Aligned Images .. code:: python pre_model='./pretrained_facenet_model/20170511-185253.pb' #locaiton of pret-trained model from Facenet my_class ='./my_classifier/my_classifier.pkl' #location where we want to save test_classifier_type = 'nn' #type of model either svm or nn weight= './my_classifier/model_small.yaml' #local stored weights facenet_recognition.create_classifier(aligned_images,pre_model,my_class,weight,test_classifier_type) *Mininum Required Image per person*: *1* *Number of Images for Training per Person*: *30 (fixed)* Test Classifer on Images ~~~~~~~~~~~~~~~~~~~~~~~~ This API is used to test our Trained Classifer .. code:: python pre_model='./pretrained_facenet_model/20170511-185253.pb' #locaiton of pret-trained model from Facenet my_class ='./my_classifier/my_classifier.pkl' #location where we want to save test_classifier_type = 'nn' #type of model either svm or nn weight= './my_classifier/model_small.yaml' #local stored weights facenet_recognition.test_classifier(aligned_images,pre_model,my_class,weight,test_classifier_type) *Mininum Required Image per person*: *1* Authors ------- - **Ishwar Sawale** -- `Visit Portfolio <http://ishwarsawale.com>`__ License ------- This project is licensed under the MIT License - see the `LICENSE.md <LICENSE.md>`__ file for details Acknowledgments --------------- - Big Thanks to David Sandberg for Facent - Inspired by Dlib based library face\_recognition History ======= 0.1.4 (2018-28-03) ------------------ * First beta release.

نحوه نصب

نصب پکیج whl facenet_recognition-0.1.4:

pip install facenet_recognition-0.1.4.whl

نصب پکیج tar.gz facenet_recognition-0.1.4:

pip install facenet_recognition-0.1.4.tar.gz