The dataset provides a large-scale benchmark for instance-level recognition and retrieval. 本数据集为大型实例识别和检索提供了基准。 Google Landmarks Dataset v2.pdf ref1.png

Bugs of Landmark R5000

Kaggle Landmark Recognition 2020竞赛：优胜者解决方案 该存储库包含针对我们在Kaggle举办的2020年Google Landmark Recognition竞赛获奖解决方案的代码： 完整的解决方案在arxiv上发表的一篇论文中进行了描述： 为了运行此代码，您需要来自GLDv2的训练和测试数据： 要训​​练模型，请使用配置文件作为标志运行src/train.py ： python train.py --config config1 您需要在相应的配置文件中调整数据路径和其他参数，以使其正常工作。 混合和排名过程在notebooks/blend_ranking.ipynb详细notebooks/blend_ranking.ipynb 。

darknet_face_with_landmark 更新 torch版本： 借鉴AlexeyAB大神的 做适量修改，用于人脸检测以及关键点检测,支持ncnn推理 实现的功能 添加关键点检测分支，使用wing loss 添加 hswish,hsigmode 激活函数 Installation Clone and install git clone 使用scripts/retinaface2yololandmark.py脚本将retinaface的标记文件转为yolo的格式使用 其他编译训练都和原版darknet相同 测试 ./darknet detector test ./data/face.data ./cfg/mbv2_yolov3_face.cfg ./models/mbv2_yolov3_face_final.weights ./test_imgs/input/se

landmark沿层属性PAL总结，沿层属性的定义、公式以及物理意义。

yolov5_face_landmark 基于yolov5的人脸检测，带关键点检测 代码说明： 1，在yolov5的检测基础上，加上关键点回归分支，请先下载yolov5的工程： 2，detect_one.py是单张图片的测试代码，　基于部分wideface训练的模型，稍后在百度云公开。 主要修改代码部分： (1)hyp.scatch.yaml中增加关键点loss的超参数（landmark: 0.5） (2)yolo.py中增加了关键点回归的计算 (3)face_datasets.py为人脸数据的读取方式，准备数据的格式参考yolov5的格式，在后面增加关键点的坐标（归一化） (4)　loss.py中增加关键点回归的loss计算 (5) 链接: 密码: j83n (6) 效果图 : 关于口罩人脸的问题： 1，增加口罩人脸这个类别，建议不要直接在检测分支中增加类别。 2，应该在关键点分

labelimg是我认为最好用的深度学习目标框标注工具，最近要开始标注关键点尝试了很多工具都不好用，于是我们更改了源码使得labelimg可以标注点，欢迎下载。如果您有更好用的关键点标注工具求分享~

dat文件,具体名称为shape_predictor_68_face_landmarks.dat 人脸68个关键点：嘴巴，鼻子，眼睛，眉毛，轮廓等 Landmark人脸68个关键点检测dat模型库

dlib.shape_predictor(shape_predictor_68_face_landmarks_dat).rar

opencv4.2 用cmake编译需要的下载资源 其中包含face_landmark_model.bat opencv_videoio_ffmpeg.dll ffmpeg_version.cmake等