整个换脸过程中模型是最重要的一部分,耗时久,调优难,很多人虽然一直在跑模型,却并不知道每个模型的特点. 我也常常被问及: 到底用哪个模型换脸效果最好? H128和DF有什么差别? H64和H28有什么不同? SAE是最好的吗? 全脸和半脸是什么意思? 等等问题. 今天,就专门写一篇文章,来统一解答这些疑问. 首先,来说说每个模型的特点. H64模型 H64模型也被称为经典模型/原始模型(original),DeepFakes早期就是靠这个模型名震江湖,后来的FaceSwap,DeepFaceLa

当学会了换脸软件DeepFaceLab基本使用,各种参数配置,各有优化技能之后.唯一约束你的可能是电脑配置. CPU能跑,但是慢到怀疑人生,低配模型都得跑一周 低配显卡,显存不够,H128 根本就跑不起来,BS稍微大点就蹦了 本地不行,其实可以用GPU服务器,但是价格不比买个高配显卡便宜. 深度学习玩的就是配置,配置太差怎么办? 花钱升级咯. 没钱怎么办? 本来想说“凉拌”,但是经过多日研究,还是找出了一条路子.对于那些愿意研究,但是配置较低的同学来说,最适合不过了. 前奏有点长哦,下面马上进入

DeepFaceLab参数详解之FPS与Image format , 本文讲解两个非常简单的参数,也是大家玩这个软件最先接触到的.参数虽然非常的简单,但是非常有用,适当调整可以为你节省大量硬盘空间,大幅提示提升速度. 参数简介 FPS :  帧率,一般视频帧率为24,25,30等.这里的意思是一秒钟多少张.比如输入10就是一秒钟分成10张. 推荐:10左右 Image format: 图片格式.可以选择png和jpg . PNG:是一种无损压缩的位图片形格式. JPG:获取得极高的压缩率的同时能

Batch-Size简称BS. 这是一个非常常见的参数,所有模型都具备的一个参数. 这其实是深度学习中的一个基础概念.要说理论可以说出一大堆,大家可以先简单的理解为一次处理的图片张数.为了防止吓跑小白,还是从实际操作说起. 1.如何设置batch-size 双击train64.bat 启动程序,三次回车后就出现了Batch_size,此时你可以输入一个具体的数字,比如:8.也可以直接回车(默认值为:4). ​ 2.修改设置batch-size 如果你更换了设备,或者从其他地方搞来了一个模型,因为

Pretrain参数是20190501版本才加入的参数,作者加入这个参数的目的应该是提升模型的训练速度和增强适应性.具体有哪些提升,需要大家去摸索,我这里分享一下自己的使用过程. ​ 这个参数仅针对SAE模型,并且只有在第一次启动的时候可以配置,配置完之后,一旦中断训练之后,这个预训练环节就结束了. ​ 上图为预训练的效果图,这个界面红红绿绿配上灰色,看起来还挺好看. ​ 除了颜色上的差别之外,看起来和平时的训练并没有什么差别.但是根据作者的描述,以及我们自己的验证,有些模型文件在预训练阶段并不

DeepFaceLab出错,虽然错误提示好几个屏幕,但是无非两种情况,一种是驱动没装好,一种是显存配置不够.上一篇文章说了驱动的问题,这一篇就说说配置不够的问题. 这个问题的表现形式,往往是各种OOM. 比如这台显存配置为2GB的电脑,在训练环节就出了OOM错误,还有一些电脑配置还不错,但是在提升BatchSize的时候也会出现. 出现这个错误如何解决? 升级电脑最直接咯 另一种方法就是降低软件参数配置. 关于如何降低软件参数,可以参考一下这片文章: https://www.deepfakesc

前面的都是准备工作,这个环节才是真的换脸.换脸主要分两部分,1,图片换脸,2,把图片合成视频. 7) convert H64 debug.bat 这个环节是和训练环节相对于的,比如我们之前选的是H64,这里就选带H64的来进行转换.如果之前选了SAE,这里就选SAE. 其中的每一种类型两个文件,一个带Debug,一个不带.谁便点一个,不影响结果.默认你可以选带debug的文件. 双击后出现的内容如上,显示了这个模型的迭代次数,以及模型的配置.底部Choose mode 是让你选择合成的模式,你直

训练模型,是换脸过程中最重要的一部分,也是耗时最长的一部分.很多人会问到底需要多少时间?有人会告诉你看loss值到0.02以下就可以了.我会告诉你,不要看什么数值,看预览窗口的人脸.看第二列是否和第一列一样清晰,看最后一列是否清晰,如果答案是“是”,那么恭喜你可以进入下一个环节了. 这个环节主要包括6个文件,每个文件代表一种模型,你只需选择一种即可.目前用的比较多的是,H64,H128,SAE . 如果你玩这个软件,建议选着H64,出效果快,参数简单. 如果你需要更高的清晰度可选H128 如果你

换脸程序执行步骤,大部分程序都是类似.DeepFaceLab 虽然没有可视化界面,但是将整个过程分成了8个步骤,每个步骤只需点击BAT文件即可执行.只要看着序号,一个个点过去就可以了,这样的操作应该不复杂吧. DeepFaceLab 换脸的八个步骤主要可以分为五个阶段. 1.视频转图片 2.提取脸部, 3.训练模型, 4.人脸替换, 5.合成视频. 出于不同的原因,目录里准备了很多批处理(bat)文件,但是完成一次换脸,并不需要点击每一个文件.下面我举个例子. 按以下文件名依次点击,即可换成换脸

简介 DeepFaceLab是一种利用深度学习识别和交换图片和视频中的人脸的工具 这是一个github上的开源项目,所有人都可以查看源代码也能免费使用.个人认为这个项目的最大优点就是安装超级简单,几乎是无需安装,使用过程也不复杂,对于新手来说唯一的遗憾就是没有可视化界面,但这一点很容易克服,只要看完这个简易教程人人都能学会. 下面是关于这个项目的一些介绍,可以选择性阅读,不懂也没关系. 功能特性 安装方便,环境依赖几乎为零,下载打包app解压即可运行(最大优势) 添加了很多新的模型 新架构,易于

Colaboratory 是一个 Google 研究项目,旨在帮助传播机器学习培训和研究成果.它是一个 Jupyter 笔记本环境,不需要进行任何设置就可以使用,并且完全在云端运行.Colaboratory 笔记本存储在 Google 云端硬盘 (https://drive.google.com/) 中,并且可以共享,就如同您使用 Google 文档或表格一样.Colaboratory 可免费使用.本文介绍如何使用 Google CoLaboratory 训练神经网络. 工具链接:https:/

在colab和kaggle内核的Jupyter notebook中如何可视化深度学习模型的参数对于我们分析模型具有很大的意义,相比tensorflow, pytorch缺乏一些的可视化生态包,但是幸好pytorch1.1官方添加了tensorboard的库,可以直接从TORCH.UTILS.TENSORBOARD 调用. 但是就目前的使用体验和反应,还是建议直接使用tensorboardX包在pytorch中进行可视化. 相比本地机中使用notebook进行可视化,在这种远程的notebook中

DeepFaceLab在沉寂了几个月后(目测Iperov同志讨生活去了),在8月下旬又迎来了重大更新.我总结了一下,主要是更新了三大功能. 新增Avatar模型 交互式转换器 半脸模型支持FAN ​ Avatar 模型我已经做过比较详细的介绍,从测试结果来看并不是太理想,可能还是一个前瞻性功能,或者预览性的功能.而半脸支持fan,这个fan已经不算是新功能了,只是H模型变得更加吃香了.这三大更新中,我最喜欢的还是交互式转换器. 今天,我就重点来说说这个交互式转换器. 首先说明,本文不属于入门级文

如果前期工作已经准备完毕(DeepFaceLab下载(https://www.deepfacelabs.com/list-5-1.html),然后安装相应的显卡驱动,DeepFaceLab使用教程(1.安装及分解视频)那么我们就正式进入AI换脸的关键环节:训练模型和合成转换视频,请按照图文步骤一步一步操作. 回到DeepFaceLab根目录,看到6) train 开头的批处理文件,这些代表不同的换脸模型:AVATAR(表情),DF(全脸),H64(64半脸),H128(128半脸模型),LIAE

bert模型在tensorflow1.x版本时,也是先发布的命令行版本,随后又发布了bert-tensorflow包,本质上就是把相关bert实现封装起来了. tensorflow2.0刚刚在2019年10月左右发布,谷歌也在积极地将之前基于tf1.0的bert实现迁移到2.0上,但近期看还没有完全迁移完成,所以目前还没有基于tf2.0的bert安装包面世,因为近期想基于现有发布的模型做一个中文多分类的事情,所以干脆就弄了个基于命令行版本的.过程中有一些坑,随之记录下来. 1. colab:因为

1. 比赛介绍 比赛地址:阿里云恶意程序检测新人赛 这个比赛和已结束的第三届阿里云安全算法挑战赛赛题类似,是一个开放的长期赛. 2. 前期准备 因为训练数据量比较大,本地CPU跑不起来,所以决定用Google的Colaboratory来跑,期间也遇到了几个坑. 首先是文件上传比较慢,几个G的文件直接上传比较耗时,上传压缩包后解压又出现了问题,最后还是得等着上传完,期间换了好几个VPN节点. 解压缩的问题:用unzip命令解压,速度很慢,经常解压到一半就不动了或者与colab的连接断掉了(可能是网

原文:https://hippocampus-garden.com/kaggle_colab/ 原文标题:How to Kaggle with Colab Pro & Google Drive 译文作者:kbsc13 联系方式: Github:https://github.com/ccc013/AI_algorithm_notes 知乎专栏:机器学习与计算机视觉,AI 论文笔记 微信公众号:AI 算法笔记 前言 Colab Pro(目前仅在美国.加拿大.日本.巴西.德国.法国.印度.英国和泰国可

在下半年选修了机器学习的关键课程Machine learning and deep learning,但由于Macbook Pro显卡不支持cuda,因此无法使用GPU来训练网络.教授推荐使用Google Colab作为训练神经网络的平台.在高强度的使用了Colab一段时间后,我把自己的个人感受和使用心得与大家分享,同时也给想要尝试的同学详细介绍Colab具体的上手方法. 一.Colab介绍 在第一次使用Colab时,最大的困难无疑是对整个平台的陌生而导致无从下手,因此我首先介绍与Colab相关

本文老周就给大伙伴们介绍一下方法参数代码的生成. 在开始之前,先补充一下上一篇烂文的内容.在上一篇文章中,老周检讨了 MemberAttributes 枚举的用法,老周此前误以为该枚举不能进行按位操作,后来发现是可以的.不过啊,MemberAttributes 枚举有些情况下不那么好弄,最典型的就是要生成抽象类的时候,反正老周试了很久,用MemberAttributes枚举不能顺利生成抽象类. 这时候,老周想到了 TypeAttributes,然后就试了一下. CodeTypeDeclarati

上一篇:Angular2入门系列教程5-路由(一)-使用简单的路由并在在路由中传递参数 之前介绍了简单的路由以及传参,这篇文章我们将要学习复杂一些的路由以及传递其他附加参数.一个好的路由系统可以使我们的程序更好的工作. 假设你已经跟上了我们的进度. 我们来为我们的文章明细新增一个评论框:当我们在明细中点击评论的时候,在我们的明细页面显示评论,这里,我们就可以完全把明细页面看成一个独立的路由,可以建立自己的子路由页面,做一些评论,分享等操作. 那,首先在data目录下建立我们的评论实体Commen