整个换脸过程中模型是最重要的一部分,耗时久,调优难,很多人虽然一直在跑模型,却并不知道每个模型的特点. 我也常常被问及: 到底用哪个模型换脸效果最好? H128和DF有什么差别? H64和H28有什么不同? SAE是最好的吗? 全脸和半脸是什么意思? 等等问题. 今天,就专门写一篇文章,来统一解答这些疑问. 首先,来说说每个模型的特点. H64模型 H64模型也被称为经典模型/原始模型(original),DeepFakes早期就是靠这个模型名震江湖,后来的FaceSwap,DeepFaceLa

训练模型,是换脸过程中最重要的一部分,也是耗时最长的一部分.很多人会问到底需要多少时间?有人会告诉你看loss值到0.02以下就可以了.我会告诉你,不要看什么数值,看预览窗口的人脸.看第二列是否和第一列一样清晰,看最后一列是否清晰,如果答案是“是”,那么恭喜你可以进入下一个环节了. 这个环节主要包括6个文件,每个文件代表一种模型,你只需选择一种即可.目前用的比较多的是,H64,H128,SAE . 如果你玩这个软件,建议选着H64,出效果快,参数简单. 如果你需要更高的清晰度可选H128 如果你

前面的都是准备工作,这个环节才是真的换脸.换脸主要分两部分,1,图片换脸,2,把图片合成视频. 7) convert H64 debug.bat 这个环节是和训练环节相对于的,比如我们之前选的是H64,这里就选带H64的来进行转换.如果之前选了SAE,这里就选SAE. 其中的每一种类型两个文件,一个带Debug,一个不带.谁便点一个,不影响结果.默认你可以选带debug的文件. 双击后出现的内容如上,显示了这个模型的迭代次数,以及模型的配置.底部Choose mode 是让你选择合成的模式,你直

通过上面级片文章,你应该基本知道了换脸的流出,也能换出一个视频来.此时,你可能会产生好多疑问,比如每个环节点点到底是什么意思,那些黑漆漆屏幕输出的又是什么内容,我换脸效果这么差,该如何提升?等等,好奇宝宝已上线,不搞明白睡不着.接下来,我就把每个环节展开说一说.本篇文章主要说“人脸提取部分”. DeepFaceLab 更目录如下. workspace工作目录如下 1) clear workspace.bat (清空项目) 这是一个用来初始化项目目录的文件,由于软件本身自带了一个workspace

换脸程序执行步骤,大部分程序都是类似.DeepFaceLab 虽然没有可视化界面,但是将整个过程分成了8个步骤,每个步骤只需点击BAT文件即可执行.只要看着序号,一个个点过去就可以了,这样的操作应该不复杂吧. DeepFaceLab 换脸的八个步骤主要可以分为五个阶段. 1.视频转图片 2.提取脸部, 3.训练模型, 4.人脸替换, 5.合成视频. 出于不同的原因,目录里准备了很多批处理(bat)文件,但是完成一次换脸,并不需要点击每一个文件.下面我举个例子. 按以下文件名依次点击,即可换成换脸

严格上来说这个软件本身并不需要安装,他唯一需要的就是对应版本的显卡驱动,CUDA和CuDNN都非必须.下面我说一下如何安装正确的驱动版本.我尽量写得简洁清晰,希望大家都能看懂,但是,如果你连基本的电脑操作都不会,那我就无能为力了. 本教程都是针对如下配置 操作系统:Window server 2016(适用于Win10) 显卡:Nvidia Tesla P80  11G(只要是N卡都差不多) DeepFaceLab版本:DeepFacelabCUDA10.1AVX_build_03_13_201

简介 DeepFaceLab是一种利用深度学习识别和交换图片和视频中的人脸的工具 这是一个github上的开源项目,所有人都可以查看源代码也能免费使用.个人认为这个项目的最大优点就是安装超级简单,几乎是无需安装,使用过程也不复杂,对于新手来说唯一的遗憾就是没有可视化界面,但这一点很容易克服,只要看完这个简易教程人人都能学会. 下面是关于这个项目的一些介绍,可以选择性阅读,不懂也没关系. 功能特性 安装方便,环境依赖几乎为零,下载打包app解压即可运行(最大优势) 添加了很多新的模型 新架构,易于

首先需要选择合适的DeepFaceLab下载(https://www.deepfacelabs.com/list-5-1.html),然后安装相应的显卡驱动,如果已经准备好这些工作,那么恭喜你,终于开始迎接新的挑战 —— AI换脸的使用!接下来会采用图文解说的方式进行演示,只需要跟着一步一步操作即可使用DeepFaceLab进行AI换脸! 选择合适的版本下载到本地硬盘 为了避免出错,请将DeepFaceLab解压到硬盘根目录 解压之后请打开你的DeepFaceLab目录,从1 – 10的bat批

目录 写在前面 算法Pipeline详解 如何训练 损失函数 训练数据准备 多任务学习与在线困难样本挖掘 预测过程 参考 博客:blog.shinelee.me | 博客园 | CSDN 写在前面 主页:https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html 论文:https://arxiv.org/abs/1604.02878 代码:官方matlab版.C++ caffe版 第三方训练代码:tensorflow

如果前期工作已经准备完毕(DeepFaceLab下载(https://www.deepfacelabs.com/list-5-1.html),然后安装相应的显卡驱动,DeepFaceLab使用教程(1.安装及分解视频)那么我们就正式进入AI换脸的关键环节:训练模型和合成转换视频,请按照图文步骤一步一步操作. 回到DeepFaceLab根目录,看到6) train 开头的批处理文件,这些代表不同的换脸模型:AVATAR(表情),DF(全脸),H64(64半脸),H128(128半脸模型),LIAE

Pretrain参数是20190501版本才加入的参数,作者加入这个参数的目的应该是提升模型的训练速度和增强适应性.具体有哪些提升,需要大家去摸索,我这里分享一下自己的使用过程. ​ 这个参数仅针对SAE模型,并且只有在第一次启动的时候可以配置,配置完之后,一旦中断训练之后,这个预训练环节就结束了. ​ 上图为预训练的效果图,这个界面红红绿绿配上灰色,看起来还挺好看. ​ 除了颜色上的差别之外,看起来和平时的训练并没有什么差别.但是根据作者的描述,以及我们自己的验证,有些模型文件在预训练阶段并不

Fast RCNN训练自己的数据集 (2修改读写接口) 转载请注明出处,楼燚(yì)航的blog,http://www.cnblogs.com/louyihang-loves-baiyan/ https://github.com/YihangLou/fast-rcnn-train-another-dataset 这是我在github上修改的几个文件的链接,求星星啊,求星星啊(原谅我那么不要脸~~) 这里楼主讲解了如何修改Fast RCNN训练自己的数据集,首先请确保你已经安装好了Fast RCN

神经网络训练中的Tricks之高效BP(反向传播算法) 神经网络训练中的Tricks之高效BP(反向传播算法) zouxy09@qq.com http://blog.csdn.net/zouxy09 Tricks!这是一个让人听了充满神秘和好奇的词.对于我们这些所谓的尝试应用机器学习技术解决某些问题的人,更是如此.曾记得,我们绞尽脑汁,搓手顿足,大喊“为什么我跑的模型不work?”,“为什么我实现的效果那么差?”,“为什么我复现的结果没有他论文里面说的那么好?”.有人会和你说“你不懂调参!里面有

成功素质1:一万小时与格物致知 “格物致知14”的概念,我是从张银奎11老师那里了解到的.它的意思是“推究事物的原理,从而获得知识”,跟我在<透过现象看本质 - 写在观看WWDC 2016 Keynote之后28>一文中所描述的 通过深入思考来探寻事物本质 有异曲同工之妙.我不知道多少读者朋友曾有过因探寻到事物本质而恍然大悟,豁然开朗的感觉:曾有过因格物致知而一叶知秋,举一反三的经历.那种感觉棒极了 要想达到格物致知的境界,一般要经过一万小时的训练.一万小时定律4主要是指: 不管你做什么事情,

觉得有用的话,欢迎一起讨论相互学习~Follow Me 1.1 训练/开发/测试集 对于一个数据集而言,可以将一个数据集分为三个部分,一部分作为训练集,一部分作为简单交叉验证集(dev)有时候也成为验证集,最后一部分作为测试集(test).接下来我们开始对训练集执行训练算法,通过验证集或简单交叉验证集选择最好的模型.经过验证我们选择最终的模型,然后就可以在测试集上进行评估了.在机器学习的小数据量时代常见的做法是将所有数据三七分,就是人们常说的70%训练集集,30%测试集,如果设置有验证集,我们可

引自:https://blog.csdn.net/huobanjishijian/article/details/76212214 原文:https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00 tesseract 4.0之后开始使用机器学习来进行字符识别,其训练模型的方法与以前的版本有所不同,现将其官网的手册翻译如下 (未完成)   一.引言 Tesseract 4.0中包含了一个新的基于神经元网络的识别引擎,

Leetcode这个网站上的题都是一些经典的公司用来面试应聘者的面试题,很多人通过刷这些题来应聘一些喜欢面试算法的公司,比如:Google.微软.Facebook.Amazon之类的这些公司,基本上是应试教育的功利主义. 我做这些题目的不是为了要去应聘这些公司,而是为了锻炼一下自己的算法和编程能力.因为我开始工作的时候基本没有这样的训练算法和编程的网站,除了大学里的“算法和数据结构”里的好些最基础最基础的知识,基本上没有什么训练.所以,当我看到有人在做这些题的时候,我也蠢蠢欲动地想去刷一下. 于

不涉及具体代码,只是记录一下自己的疑惑. 我们知道对于在pytorch中,我们通过构建一个词向量矩阵对象.这个时候对象矩阵是随机初始化的,然后我们的输入是单词的数值表达,也就是一些索引.那么我们会根据索引,赋予每个单词独一无二的一个词向量表达.在其后的神经网络训练过程中,每个单词对应独一无二的索引,从而对应自己的词向量,词向量会随着迭代进行更新. 上面讲的这个是使用pytorch词向量的随机初始化的流程. 但是我们如果使用预训练的词向量怎么办呢?很多例子中,直接就给个代码是类似这样的: self

DeepFaceLab出错,虽然错误提示好几个屏幕,但是无非两种情况,一种是驱动没装好,一种是显存配置不够.上一篇文章说了驱动的问题,这一篇就说说配置不够的问题. 这个问题的表现形式,往往是各种OOM. 比如这台显存配置为2GB的电脑,在训练环节就出了OOM错误,还有一些电脑配置还不错,但是在提升BatchSize的时候也会出现. 出现这个错误如何解决? 升级电脑最直接咯 另一种方法就是降低软件参数配置. 关于如何降低软件参数,可以参考一下这片文章: https://www.deepfakesc

Leetcode这个网站上的题都是一些经典的公司用来面试应聘者的面试题,很多人通过刷这些题来应聘一些喜欢面试算法的公司,比如:Google.微软.Facebook.Amazon之类的这些公司,基本上是应试教育的功利主义. 我做这些题目的不是为了要去应聘这些公司,而是为了锻炼一下自己的算法和编程能力.因为我开始工作的时候基本没有这样的训练算法和编程的网站,除了大学里的“算法和数据结构”里的好些最基础最基础的知识,基本上没有什么训练.所以,当我看到有人在做这些题的时候,我也蠢蠢欲动地想去刷一下. 于

DeepFaceLab在沉寂了几个月后(目测Iperov同志讨生活去了),在8月下旬又迎来了重大更新.我总结了一下,主要是更新了三大功能. 新增Avatar模型 交互式转换器 半脸模型支持FAN ​ Avatar 模型我已经做过比较详细的介绍,从测试结果来看并不是太理想,可能还是一个前瞻性功能,或者预览性的功能.而半脸支持fan,这个fan已经不算是新功能了,只是H模型变得更加吃香了.这三大更新中,我最喜欢的还是交互式转换器. 今天,我就重点来说说这个交互式转换器. 首先说明,本文不属于入门级文