bubbliiiing/Siamese-pytorch

Siamese：孪生神经网络在Pytorch当中的实现

目录

1. 仓库更新 Top News
2. 注意事项 Attention
3. 所需环境 Environment
4. 文件下载 Download
5. 预测步骤 How2predict
6. 训练步骤 How2train
7. 参考资料 Reference

Top News

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-pytorch/tree/bilibili

注意事项

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。

所需环境

torch==1.2.0

文件下载

训练所需的vgg16-397923af.pth可在百度网盘中下载。
链接: https://pan.baidu.com/s/14SFoKX6xTDPx2XG9rcUTDQ 提取码: 44en

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vgg16-397923af.pth和Omniglot_vgg.pth。
其中:
Omniglot_vgg.pth是Omniglot训练好的权重，可直接使用进行下面的预测步骤。
vgg16-397923af.pth是vgg的权重，可以用于训练其它的数据集。

预测步骤

a、使用预训练权重

1. 下载完库后解压，在百度网盘下载Omniglot_vgg.pth，放入model_data，运行predict.py，依次输入

img/Angelic_01.png

img/Angelic_02.png

b、使用自己训练的权重

1. 按照训练步骤训练。
2. 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.pth',
    "input_shape" : (105, 105, 3),
}

3. 运行predict.py，输入

img/Angelic_01.png

img/Angelic_02.png

训练步骤

可参考我的CSDN博客https://blog.csdn.net/weixin_44791964/article/details/107343394

a、训练Omniglot例子

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：

1. 下载数据集，放在根目录下的dataset文件夹下。
2. 运行train.py开始训练。

b、训练自己相似性比较的模型

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：

1. 按上述格式放置数据集，放在根目录下的dataset文件夹下。
2. 之后将train.py当中的train_own_data设置成True。
3. 运行train.py开始训练。

Reference

https://github.com/tensorfreitas/Siamese-Networks-for-One-Shot-Learning