嵌入式AI第四课|人脸识别模型训练与部署（PPT下载+视频回放+代码示例）

这系列课程为嵌入式AI七节课系列，包括边缘智能，AI应用开发，人脸识别，多目标检测，语音识别等。之前系列分别介绍了边缘智能开发方法与实践，AI小白如何快速开发一款AI初级应用，OpenCV嵌入式图像处理实战。本文为嵌入式AI第四课，由OPEN AI LAB算法事业部视觉专家王昊介绍人脸识别模型训练与部署。

课程简介

• 人脸识别主要流程
• 人脸识别算法 
• pytorch代码的实现
• 模型转换并部署到EAIDK开发套件

适用人群

对边缘嵌入式设备与深度学习结合感兴趣的开发从业者，学生，老师及爱好者。

视频回放

回放链接：https://aijishu.com/l/1110000000100519

PPT精选及下载

文末附件即可下载。

精选问答

1.人脸特征比对的时候，余弦距离和欧式距离哪个好？
答：这两个距离各有各的特点，比较关键的地方是你的阈值取多少，还有就是跟你的训练集有关系。如果训练集数量不是很多的话，计算哪个距离效果可能都不会太好。一般来说各种距离的效果差距不会太大。

2.疫情当下，戴口罩人脸检测，有哪些难点？
答：戴口罩人脸检测，可以认为是人脸属性的应用了，比如人脸是微笑还是悲伤、年龄多少、是否戴眼镜等，人脸属性已经是一个比较成熟的应用了，戴口罩检测也是没有问题的。

3.从原来的算法模型训练转为算法应用开发，有什么好建议和路线吗？
答：如果做算法的话，多看一些文章，多用一些网络真正训练下，如果有可能的话，自己修改下网络结构或者损失函数然后再做训练，看修改之后的效果怎么样，这样可以加深理解，进步会比较快。另外可以参加一些相关的比赛。

4.ResNet网络目前最高有多少层？深度网络层越多效果越好吗?？
答：目前ResNet最多可以达到152层，但是不要纠结这个问题，神经网络并不是层越多越好，目前优秀的设计主要是优化网络的基本结构以达到更高的准确率，同时还要在精度和算力之间妥协 。网络层数不是越多越好的，层数太多，深度太深，模型的参数多，收敛过慢，还会产生过拟合。

下一课将由OPEN AI LAB系统应用技术专家蒋黎鹏带来人脸识别系统应用实战。