ollama+open-webui 本地部署自己的大模型 https://blog.csdn.net/spiderwower/article/details/138463635 openwebUI访问vllm加载deepseek微调过的本地大模型 https://blog.csdn.net/weixin_41688410/article/details/145958666

一、项目简介： Deep-Live-Cam 是一个基于AI技术的实时人脸替换和动画工具，该项目结合了深度学习算法，能够实时地将一个选定的人脸替换到目标视频或图片中，支持多种平台和执行环境。 github：https://github.com/hacksider/Deep-Live-Cam 二、安装步骤： 1、环境准备： 安装 Python 3.10（推荐）、pip、git、ffmpeg，以及 Wi

一、模型转换 1.onnxruntime ONNX Runtime（ONNX Runtime或ORT）是一个开源的高性能推理引擎，用于部署和运行机器学习模型。它的设计目标是优化执行使用Open Neural Network Exchange（ONNX）格式定义的模型，ONNX是一种用于表示机器学习模型的开放标准。 ONNX Runtime提供了几个关键功能和优势： 1、跨平台兼容性：ONNX Ru

深度学习框架： PyTorch：在易用性和灵活性方面被认为比较好，其动态计算图使得调试和实验更加方便。另外，PyTorch的文档和社区支持也比较好。 TensorFlow：在生产环境中更加稳定和可靠，从而更适合大规模项目。此外，TensorFlow在分布式计算和移动端部署方面有一定优势。 参考： CUDA安装&cuDNN、TensorRT版本匹配_cuda和cudnn版本匹配-CSDN博客

Learn OpenCV 网站博主 Vikas Gupta 博士对 OpenCV、Dlib 中四种人脸检测算法实现进行了比较分析，且对精度和速度都进行了量化： 一、OpenCV 1、OpenCV Haar Cascade 人脸检测 Python： faceCascade = cv2.CascadeClassifier(\'./haarcascade_frontalface_default.xml\')

        借助Dlib库捕获摄像头中的人脸，提取人脸特征，获取128维的人脸特征向量，通过计算欧氏距离来和预存的人脸特征进行对比，达到人脸识别的目的。 Dlib库是人脸识别最常用的软件包之一，其中内置了两种人脸检测方法：        &nbs

1、感知机 包含有输入层、输出层和一个隐藏层。输入的特征向量通过隐藏层变换到达输出层，由输出层得到分类结果。 问题： 它对稍微复杂一些的函数都无能为力 2、多层感知机 使用sigmoid或tanh等连续函数模拟神经元对激励的响应，在训练算法上则使用Werbos发明的反向传播BP算法。这就是现在所说的神经网络NN。 问题： 其一，随着神经网络层数的加深，优化函数越来越容易陷入局部最优解，并且这个“陷

EigenFaces： 通常也被称为特征脸，它使用主成分分析（Principal Component Analysis, PCA）方法将高维的人脸数据处理为低维数据后（降维），再进行数据分析和处理，获取识别结果。 FisherFaces： PCA方法是EigenFaces方法的核心，它找到了最大化数据总方差特征的线性组合。不可否认，EigenFaces是一种非常有效的方法，但是它的缺点在于在操作过

一、基于 OpenCV Haar：         OpenCV提供了两个程序可以训练自己的级联分类器 opencv_haartraining 与 opencv_traincascade。opencv_traincascade 是一个新程序，使用 OpenCV 2.x API 以 C++ 编写。这二者主要的区别是 opencv_traincascade 支持

人脸检测常见问题：     1、安装时间长     2、检测时间长     3、图片中的较小人脸检测效果差     4、图片中的侧面人脸检测效果差     5、对图片中多张人脸无法全部检测出来等 常用的人脸检测工具：     1、OpenCV(Haar、DNN