Python《基于PyTorch 实现多任务学习，对人脸图像进识别，及对年龄与性别做出判断》+源代码+设计资料

# 同时识别年龄与性别 基于PyTorch 实现多任务学习，在同时识别年龄与性别。 ## 数据集 [IMDB-WIKI](https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/) 数据集，460,723张图片。  这里为简洁只使用 IMDB 数据集。 ### 年龄分布： 460723张照片为平衡每个年龄最多只保存5000张，清洗后得到163065张，按年龄分布作图：  ## 用法 ### 数据预处理 提取163065张图片： ```bash $ python pre_process.py ``` ### 训练 ```bash $ python train.py ``` ### 准确度比较 #|图片大小|网络|性别准确度(验证集)|年龄MAE(验证集)|年龄损失函数|批量大小|Loss|年龄权重| |---|---|---|---|---|---|---|---|---| |1|112x112|ResNet-18|90.756%|5.710|回归(L1Loss)|32|0.9757|0.1| |2|224x224|ResNet-18|90.887%|5.694|回归(L1Loss)|32|0.9719|0.1| |3|112x112|ResNet-18|90.140%|5.986|回归(L2Loss)|32|1.121|0.01| |4|224x224|ResNet-18|90.064%|8.475|分类(交叉熵)|32|TBD|TBD| |5|224x224|ResNet-50|90.034%|TBD|分类(交叉熵)|32|TBD|TBD| ### Demo 下载预训练的模型 [Link](https://github.com/foamliu/Age-and-Gender/releases/download/1.0/BEST_checkpoint_.pth.tar)，执行： ```bash $ python demo.py ``` 效果图如下： 原图 | 校准 | 识别 | 标注 | |---|---|---|---| |||性别：女, 年龄：29|性别：女, 年龄：24| |||性别：女, 年龄：29|性别：男, 年龄：26| |||性别：男, 年龄：34|性别：男, 年龄：49| |||性别：女, 年龄：29|性别：女, 年龄：29| |||性别：男, 年龄：36|性别：女, 年龄：23| |||性别：男, 年龄：29|性别：男, 年龄：15| |||性别：男, 年龄：34|性别：男, 年龄：32| |||性别：男, 年龄：42|性别：男, 年龄：42| |||性别：男, 年龄：36|性别：女, 年龄：31| |||性别：男, 年龄：39|性别：男, 年龄：59|