- 仓库更新 Top News
- 注意事项 Attention
- 所需环境 Environment
- 文件下载 Download
- 预测步骤 How2predict
- 训练步骤 How2train
- 参考资料 Reference
2022-04:进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整。
BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/siamese-tf2/tree/bilibili
训练Omniglot数据集和训练自己的数据集可以采用两种不同的格式。需要注意格式的摆放噢！
该仓库实现了孪生神经网络（Siamese network），该网络常常用于检测输入进来的两张图片的相似性。该仓库所使用的主干特征提取网络（backbone）为VGG16。
tensorflow-gpu==2.2.0
训练所需的vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5可在百度网盘中下载。
链接: https://pan.baidu.com/s/1NH3wcVr98vyJLYhYBTglvg 提取码: xyg2
Omniglot数据集下载地址为：
链接: https://pan.baidu.com/s/1pYp6vqiLLRFLn1tVeRk8ZQ 提取码: 5sa7
人脸数据集下载地址为（格式还需要简单修改一下才可以使用，请参考下方“训练自己相似性比较的模型”的格式进行修改）：
链接: https://pan.baidu.com/s/1OvEFXTUZrvu4T5qSPkHOJw 提取码: aqhg
我一共会提供两个权重，分别是vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5和Omniglot_vgg.h5。
其中:
Omniglot_vgg.h5是Omniglot训练好的权重，可直接使用进行下面的预测步骤。
vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5是vgg的权重，可以用于训练其它的数据集。
- 下载完库后解压，在百度网盘下载Omniglot_vgg.h5，放入model_data，运行predict.py，依次输入
img/Angelic_01.pngimg/Angelic_02.png- 按照训练步骤训练。
- 在siamese.py文件里面，在如下部分修改model_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件。
_defaults = {
"model_path": 'model_data/Omniglot_vgg.h5',
"input_shape" : (105, 105, 3),
}- 运行predict.py，输入
img/Angelic_01.pngimg/Angelic_02.png可参考我的CSDN博客https://blog.csdn.net/weixin_44791964/article/details/107343394
Omniglot数据集中数据存放格式有三级：
- image_background
- Alphabet_of_the_Magi
- character01
- 0709_01.png
- 0709_02.png
- ……
- character02
- character03
- ……
- Anglo-Saxon_Futhorc
- ……训练步骤为：
- 下载数据集，放在根目录下的dataset文件夹下。
- 运行train.py开始训练。
如果大家想要训练自己的数据集，可以将数据集按照如下格式进行摆放。
- image_background
- character01
- 0709_01.png
- 0709_02.png
- ……
- character02
- character03
- ……相比Omniglot少了一级。每一个chapter里面放同类型的图片。
训练步骤为：
- 按上述格式放置数据集，放在根目录下的dataset文件夹下。
- 之后将train.py当中的train_own_data设置成True。
- 运行train.py开始训练。
https://github.com/tensorfreitas/Siamese-Networks-for-One-Shot-Learning
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent