FER2013

FER2013数据集是一个广泛用于面部表情识别领域的数据集，包含28,709个训练样本和7,178个测试样本。图像属性为48x48像素，标签包括愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性。

The FER2013 dataset is extensively utilized in the field of facial expression recognition, comprising 28,709 training samples and 7,178 testing samples. The images are characterized by a resolution of 48x48 pixels, with labels encompassing anger, disgust, fear, happiness, sadness, surprise, and neutrality.

原始信息汇总

数据集概述

数据集名称

• FER2013 Dataset

数据集来源

• https://www.kaggle.com/datasets/deadskull7/fer2013

数据集属性

• 图像属性：48 x 48 pixels (2304 bytes)
• 标签：
  • 0=Angry
  • 1=Disgust
  • 2=Fear
  • 3=Happy
  • 4=Sad
  • 5=Surprise
  • 6=Neutral

数据集组成

• 训练集：28,709 examples
• 公共测试集：3,589 examples
• 私有测试集：3,589 examples

数据集使用

• 下载并放置于 "fer2013" 文件夹
• 使用命令行工具进行下载和解压： bash cd fer2013 pip install kaggle kaggle datasets download -d deadskull7/fer2013 unzip fer2013

数据集训练与评估

• 使用 python train_emotion_classifier.py --model MiniXception --bs 128 --lr 0.01 进行模型训练
• 模型评估结果：
  • Model：miniXception ; test accuracy：65%
  • Model：Resnet18 ; test accuracy：82%

数据集应用

• 实时视频处理：使用 python run_on_cpu.py
• 在 Orange Pi AI Pro (Ascend310B NPU) 上运行： bash cd run_on_Ascend310B atc --model=miniXception.sim.onnx --framework=5 --output=miniXception.sim --input_format=NCHW --input_shape="input.1:1,1,48,48" --log=error --soc_version=Ascend310B1 #.onnx to .om python run_om.py

AI搜集汇总

数据集介绍

构建方式

FER2013数据集的构建基于广泛使用的面部表情识别挑战，其图像属性为48 x 48像素，每个图像占用2304字节。该数据集包含七个情感类别：愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性。训练集由28,709个样本组成，公共测试集和私有测试集各包含3,589个样本。数据集通过Kaggle平台发布，用户可通过下载fer2013.csv文件并放置在指定文件夹中进行使用。

特点

FER2013数据集以其高分辨率图像和多样化的情感标签著称，为面部表情识别研究提供了丰富的资源。其图像尺寸小巧，便于处理和存储，同时保持了足够的细节以支持深度学习模型的训练。数据集的多样性和广泛性使其成为面部表情识别领域的标准基准，适用于多种模型和算法的评估。

使用方法

使用FER2013数据集时，用户首先需从Kaggle平台下载fer2013.csv文件并解压缩。随后，可通过PyTorch等深度学习框架加载数据集进行模型训练和评估。项目提供了详细的训练和评估脚本，如train_emotion_classifier.py，用户可根据需要调整模型参数。此外，数据集支持实时视频表情检测和模型部署至Orange Pi AI Pro等边缘设备，展现了其广泛的应用潜力。

背景与挑战

背景概述

FER2013数据集是面部表情识别领域中广泛使用的基准数据集，由Kaggle平台上的一个挑战赛提供。该数据集包含28,709张48x48像素的灰度图像，每张图像标记为七种基本情感之一：愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性。FER2013的创建旨在推动面部表情识别技术的发展，特别是在深度学习方法的应用上。自发布以来，该数据集已成为许多研究项目和算法评估的标准基准，显著促进了情感计算和人工智能在情感识别方面的进步。

当前挑战

FER2013数据集在面部表情识别领域面临多项挑战。首先，数据集中的图像分辨率较低，仅为48x48像素，这增加了特征提取和模型训练的难度。其次，情感标签的分布不均衡，某些情感类别如厌恶的样本数量较少，导致模型在这些类别上的表现较差。此外，面部表情的微妙变化和个体差异也是识别过程中的重要挑战。在构建过程中，数据集的收集和标注工作复杂，需要确保标注的一致性和准确性，以提高模型的泛化能力。

常用场景

经典使用场景

在面部表情识别领域，FER2013数据集被广泛应用于深度学习模型的训练与评估。该数据集包含28,709张48x48像素的灰度图像，涵盖了七种基本情感类别：愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性。通过使用FER2013数据集，研究者能够开发和验证各种面部表情识别算法，从而在情感计算和人工智能交互系统中实现高精度的情感识别。

解决学术问题

FER2013数据集在学术研究中解决了面部表情识别的关键问题。它为研究人员提供了一个标准化的基准，用于评估和比较不同算法在情感识别任务中的性能。通过该数据集，研究者能够深入探讨如何提高模型在复杂和多样化面部表情中的识别准确性，从而推动情感计算领域的发展，并为心理学和认知科学提供新的研究工具。

衍生相关工作

FER2013数据集的发布激发了大量相关研究工作。许多研究者基于该数据集开发了新的深度学习模型，如MiniXception和ResNet18，显著提升了情感识别的准确性。此外，该数据集还被用于跨领域研究，如情感驱动的机器人行为控制和情感分析在社交媒体中的应用。这些衍生工作不仅丰富了情感计算的理论基础，也为实际应用提供了强有力的技术支持。