Seetaface 03 Seetaface python版 win10 vs2015编译

本文介绍如何在Win10环境下使用VS2015和CMake配置SeetaFaceEngine面部识别引擎的Python版本,并进行相关测试。文中详细记录了环境配置步骤、依赖库安装方法以及测试结果。

01 环境

win10x64
vs2015 update3
cmake3.7.2
git
源码:https://github.com/5455945/SeetaFaceEngine.git
如果要测试python demo,需要系统安装对应的python版本opencv。
pip3 install opencv-python
本实验使用的是opencv-python==3.2.0.7
需要安装numpy库。本实验使用的:numpy==1.13.0+mkl

02 源码下载

cd D:\git\DeepLearning
git clone https://github.com/5455945/SeetaFaceEngine.git
cd SeetaFaceEngine

03 配置cmake-gui

点击[Configure]。设置:
源码路径:D:/git/DeepLearning/SeetaFaceEngine
目标路径:D:/git/DeepLearning/SeetaFaceEngine/build/x64
勾选BUILD_SEETAFACEENGINE
不选BUILD_EXAMPLES、BUILD_SFMFCTEST
设置CMAKE_INSTALL_PREFIX
USE_OPENMP、USE_SSE默认勾选

BUILD_EXAMPLES=0
BUILD_SEETAFACEENGINE=1
BUILD_SFMFCTEST=0
CMAKE_INSTALL_PREFIX=D:/git/DeepLearning/SeetaFaceEngine/build/x64/install
USE_OPENMP=1
USE_SSE=1

这里写图片描述

注:如果要设置BUILD_EXAMPLES=1BUILD_SFMFCTEST=1,需要配置OpenCV_DIR,因为这两个C++的用例使用了opencv。参考:Seetaface 01 Seetaface win10 vs2015编译(cmake自动配置,可选mfc界面)

此案及[Configure]、点击[Generate],完成后,点击[Open Project]打开vs2015
D:\git\DeepLearning\SeetaFaceEngine\build\x64\SeetaFaceEngine.sln

04 编译

vs2015打开D:\git\DeepLearning\SeetaFaceEngine\build\x64\SeetaFaceEngine.sln后,直接build Release版本后,再build INSTALL工程,完成python版本的安装。
这里写图片描述

INSTALL后,python版本算有3份拷贝。
1 Python安装目录下的Lib\site-packages\SeetaFaceEngine-0.1-py3.6.egg
本实验在C:\Python36\Lib\site-packages\SeetaFaceEngine-0.1-py3.6.egg
这里写图片描述

2 SeetaFaceEngine\python源码目录下,把需要的bin(dll)文件和model文件拷贝过来了。
这里写图片描述

3 CMAKE_INSTALL_PREFIX指定的安装目录下的python文件夹。内容和2 SeetaFaceEngine\python相同。
D:\git\DeepLearning\SeetaFaceEngine\build\x64\install\python
这里写图片描述

注:这里1不是必须的。只要系统环境安装了opencv-python,和vs2015
运行时库。把SeetaFaceEngine\python完整拷贝到任意处,都可以正常运行。

05 测试

用PyCharm打开test_opencv.py、test_pillow.py运行。“`
C:\Python36\python.exe D:/git/DeepLearning/SeetaFaceEngine/python/test_opencv.py
C:\Python36\python.exe D:/git/DeepLearning/SeetaFaceEngine/python/test_pillow.py

test_opencv.py运行结果:

test detector:
(602,126,828,352) score=21.732229948043823
(457,77,596,216) score=30.60622215270996
(247,187,368,308) score=11.426725625991821
(298,13,343,58) score=14.56250661611557
(244,6,279,41) score=4.99791157245636
test aligner:
test identifier:
sim: [0.502326250076294, 0.2604138255119324]
“`
这里写图片描述

这里写图片描述

这里写图片描述

可自行修改test_opencv.py、test_pillow.pyif __name__ == '__main__':部分。比如:使用命令行等。
这里写图片描述

06 参考

本python代码修改自https://github.com/TuXiaokang/pyseeta.git

企业创新活动具有投入周期长、不确定性高和收益实现滞后等特征,持续稳定的资源支持是保障企业长期创新的重要基础。耐心资本作为一种强调长期价值创造、具备较高风险容忍度并积极参与企业治理的资本形态,能够通过缓解融资约束、优化公司治理结构以及增强企业风险承担能力,为企业持续开展创新活动提供长期稳定支持 本文基于2010—2024年中国A股上市公司样本数据,借鉴《耐心资本对企业持续性创新投入的影响研究》一文中的基准回归设计思路和研究方法,围绕“耐心资本是否能够促进企业持续性创新投入”这一问题展开基准回归实证检验,基准回归结果显示,耐心资本能显著促进企业持续性创新,数据集含原始数据、处理代码、基准回归实证结果 关键指标构建: 1.耐心资本:本文从稳定型股权和关系型债权两个维度刻画企业耐心资本水平,并采用熵权法对两个指标进行加权整合,构建综合耐心资本指数。其中,稳定型股权参考温磊和李思飞(2024)的研究,以长期机构投资者持股比例作为衡量指标;关系型债权参考吴旻佳(2022)、姜中裕(2024)的研究,采用上市公司长期负债占负债总额的比例衡量 2.企业持续性创新:基于研发投入三期动态变化构建,借鉴何郁冰(2017)、杨仁发(2025)的研究思路,计算第t-1至t年研发投入之和与第t-2至t-1年研发投入之和的比值,再将该比值乘以第t-1至t年研发投入之和,以此反映企业在创新投入上的持续性特征 相关数据:上市公司耐心资本数据,上市公司耐心资本投资数据,上市公司研发投入与专利数据 一、数据介绍 数据名称:耐心资本对企业持续性创新投入的影响研究 数据范围:上市公司企业 时间范围:2010-2024年 样本数量:31725条 数据来源:上市公司年报 数据说明:含原始数据、处理过程dofile文件、基准回归结果
内容概要:本文聚焦于语音增强领域的组稀疏信号去噪技术,深入研究了结合非凸正则化与凸优化的先进去噪方法,并提供了完整的Matlab代码实现方案。研究通过构建组稀疏信号模型,设计高效的非凸正则项以增强稀疏性表达能力,进而将其融入凸优化框架中求解,从而在复杂噪声环境下有效提升语音信号的清晰度与质量。文章不仅详述了算法的数学推导与优化求解流程,还突出了该方法在保留语音关键特征的同时抑制噪声的优越性能。此外,文档还列举了多个相关科研方向,展现出信号处理与优化理论在智能优化、机器学习、电力系统等多学科交叉应用中的广阔前景。; 适合人群:具备信号处理、优化理论或机器学习基础知识,从事语音增强、通信工程、电子信息、自动化等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:① 深入理解非凸正则化在稀疏信号恢复中的理论优势与实现机制;② 实践并复现组稀疏信号去噪算法,开展不同噪声条件下的性能对比实验;③ 利用Matlab平台完成语音增强相关的科研课题、课程设计或算法开发。; 阅读建议:建议读者结合文中的Matlab代码进行动手实践,重点关注目标函数的构造、优化算法的迭代过程及参数调优策略。初学者应先夯实稀疏表示与凸优化的基础知识,再循序渐进地掌握非凸正则化的核心思想与实现细节,以充分发挥该方法的技术潜力。
Cloudflare Computer 是一个运行在 Durable Object 内部的虚拟文件系统。Durable Object 通过 SQLite 保存权威状态,并通过 workspace.runtime 提供一个可插拔的执行接口。目前提供三种后端: 容器(Container):将 SQLite 状态通过 FUSE 挂载到沙箱容器中。沙箱侧的守护进程(computerd)将状态挂载为文件系统,并通过 capnweb RPC 通道同步变更。完整的 Linux 用户空间、真实的二进制文件、真实的网络环境。 隔离壳(Isolate shell):在动态 Worker 中运行 just-bash。它通过 Workers RPC 访问权威工作区,因此不存在第二个存储或同步往返。 隔离 JavaScript(Isolate JavaScript):在全新的动态 Worker 中运行 ECMAScript 模块,支持结构化输入/结果、持久化相对导入、配置库、工作区支持的 node:fs/promises,以及受信任的 ws:git 和 ws:artifacts 模块。 工作区可以在稳定 ID 下注册多个后端。workspace.runtime.exec(source, { backend }) 是唯一的执行入口点;所选后端决定 source 是 shell 命令还是 ECMAScript 模块。后端在首次使用时延迟连接。 工作区也可以完全不依赖后端构建,仅向调用者提供文件系统本身。 Important 仅预览 此软件包仅作为预览提供,用于收集反馈。API 不稳定,设计可能会发生变化。 适用于实验、探索和原型开发。目前不适合用于生产环境。 docs/ 目录下的规范具有前瞻性——请将其视为设计意图,而非当前代码的描述。 使用方法 如果您想基于 Cloudflare C
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值