Emotion-recogniton-pytorch

该项目聚焦于利用深度学习技术从面部表情中识别人的情感。我们使用 PyTorch 实现了这一模型，并在情感识别领域广泛使用的 FER-2013 数据集上进行训练，模型达到了 81.3% 的准确率。此外，我们使用 Ascendcl 将模型部署到搭载华为 Ascend 310B NPU 的 Orange Pi AI Pro 上，实现了移动设备上的实时表情检测。

安装

git clone https://github.com/lyz678/Emotion-recogniton-pytorch.git  # clone
cd Emotion-recogniton-pytorch
pip install -r requirements.txt  # install

FER2013 Dataset

• 数据集来自 https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data 图像属性：48 x 48像素（2304字节） 标签：0=愤怒，1=厌恶，2=恐惧，3=快乐，4=悲伤，5=惊讶，6=中性 训练集包含28,709个示例。公共测试集包含3,589个示例。私人测试集包含另外3,589个示例。
• 下载数据集（fer2013.csv）然后将其放入 "fer2013" 文件夹中

cd fer2013
pip install kaggle
kaggle datasets download -d deadskull7/fer2013
unzip fer2013

训练和评估模型

• python train_emotion_classifier.py --model MiniXception --bs 128 --lr 0.01

.pth to .onnx

python pt2onnx.py

实时视频

python run_on_cpu.py

绘制混淆矩阵

• python plot_fer2013_confusion_matrix.py --model MiniXception --bs 128

FER2013 准确率

• 模型： miniXception ; 测试准确率： 65%
  
• 模型： Resnet18 ; 测试准确率： 82%

在 Orange Pi AI Pro (Ascend310B NPU) 上运行

• 将目录中的 run_on_Ascend310B 文件下载到 Orange Pi AI Pro

bash

cd run_on_Ascend310B
atc --model=miniXception.sim.onnx --framework=5 --output=miniXception.sim --input_format=NCHW --input_shape="input.1:1,1,48,48" --log=error --soc_version=Ascend310B1 #.onnx to .om
python run_om.py

参考

https://github.com/otaha178/Emotion-recognition