探索MediaPipe自定义机器学习模型

最新推荐文章于 2026-06-26 14:27:47 发布

原创

最新推荐文章于 2026-06-26 14:27:47 发布 · 8.7k 阅读

文章介绍了如何使用MediaPipe进行自定义模型训练，包括数据准备、模型简化和训练迭代。重点讲述了如何减少标签、剪裁图像边缘以及利用迁移学习复用模型。此外，还详细说明了目标检测的训练流程，从安装依赖到数据集准备、模型创建、验证和导出模型的步骤。

MediaPipe支持人脸识别、目标检测、图像分类、人像分割、手势识别、文本分类、语音分类。每个模块都有对应的模型，但是原有模型可能比较大、推理耗时比较长，我们可以自定义模型来进行进行优化。

在自定义模型前，准备两种数据：原始数据、标注数据。

找到足够多的数据去训练模型比较具有挑战性。首先，需要确认使用的图像或文本有没版权限制。为了避免版权问题，我们可以自己制作数据，也可以去Kaggle寻找数据集。有些dataset已经加了标注，有些则没有标注。

我们可以用Label Studio来添加标注。支持3种形式安装：pip、Anaconda、docker。这里以pip安装为例：

# Requires Python >=3.7 <=3.9
pip install label-studio

# Start the server at http://localhost:8080
label-studio

选择2-5个类别给图像打标签，遵从简单原则。

样本图像尽可能保留完整轮廓。剩下一部分样本进行裁剪，这样利于提高模型的鲁棒性。

由于

标签