Siamese：孪生神经网络在Pytorch当中的实现

---

目录

1. 仓库更新 Top News
2. 注意事项 Attention
3. 所需环境 Environment
4. 文件下载 Download
5. 预测步骤 How2predict
6. 训练步骤 How2train
7. 参考资料 Reference

Top News

2022-04:进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整。
BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/siamese-pytorch/tree/bilibili

注意事项

训练Omniglot数据集和训练自己的数据集可以采用两种不同的格式。需要注意格式的摆放噢！

该仓库实现了孪生神经网络（Siamese network），该网络常常用于检测输入进来的两张图片的相似性。该仓库所使用的主干特征提取网络（backbone）为VGG16。

所需环境

torch==1.2.0

文件下载

训练所需的vgg16-397923af.pth可在百度网盘中下载。
链接: https://pan.baidu.com/s/14SFoKX6xTDPx2XG9rcUTDQ 提取码: 44en

Omniglot数据集下载地址为：
链接: https://pan.baidu.com/s/1pYp6vqiLLRFLn1tVeRk8ZQ 提取码: 5sa7

人脸数据集下载地址为（格式还需要简单修改一下才可以使用，请参考下方“训练自己相似性比较的模型”的格式进行修改）：
链接: https://pan.baidu.com/s/1OvEFXTUZrvu4T5qSPkHOJw 提取码: aqhg

我一共会提供两个权重，分别是vgg16-397923af.pth和Omniglot_vgg.pth。
其中:
Omniglot_vgg.pth是Omniglot训练好的权重，可直接使用进行下面的预测步骤。
vgg16-397923af.pth是vgg的权重，可以用于训练其它的数据集。

预测步骤

a、使用预训练权重

1. 下载完库后解压，在百度网盘下载Omniglot_vgg.pth，放入model_data，运行predict.py，依次输入

img/Angelic_01.png

img/Angelic_02.png

b、使用自己训练的权重

1. 按照训练步骤训练。
2. 在siamese.py文件里面，在如下部分修改model_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件。

_defaults = {
    "model_path": 'model_data/Omniglot_vgg.pth',
    "input_shape" : (105, 105, 3),
}

3. 运行predict.py，输入

img/Angelic_01.png

img/Angelic_02.png

训练步骤

可参考我的CSDN博客https://blog.csdn.net/weixin_44791964/article/details/107343394

a、训练Omniglot例子

Omniglot数据集中数据存放格式有三级：

- image_background
	- Alphabet_of_the_Magi
		- character01
			- 0709_01.png
			- 0709_02.png
			- ……
		- character02
		- character03
		- ……
	- Anglo-Saxon_Futhorc
	- ……

训练步骤为：

1. 下载数据集，放在根目录下的dataset文件夹下。
2. 运行train.py开始训练。

b、训练自己相似性比较的模型

如果大家想要训练自己的数据集，可以将数据集按照如下格式进行摆放。

- image_background
	- character01
		- 0709_01.png
		- 0709_02.png
		- ……
	- character02
	- character03
	- ……

相比Omniglot少了一级。每一个chapter里面放同类型的图片。
训练步骤为：

1. 按上述格式放置数据集，放在根目录下的dataset文件夹下。
2. 之后将train.py当中的train_own_data设置成True。
3. 运行train.py开始训练。

Reference

https://github.com/tensorfreitas/Siamese-Networks-for-One-Shot-Learning

Siamese-pytorch 快速上手指南

环境准备

本项目基于 PyTorch 框架实现孪生神经网络（Siamese Network），主要用于检测两张图片的相似性。

• 系统要求：支持 Python 3.x 的操作系统（Windows/Linux/MacOS）。
• 核心依赖：
  • torch==1.2.0 (或兼容版本)
  • 其他常见深度学习库（如 torchvision, PIL, numpy 等，通常随 torch 安装或按需安装）。
• 硬件建议：推荐使用 NVIDIA GPU 进行训练以加速过程，CPU 亦可运行预测和小规模训练。

安装步骤

1. 克隆仓库

   git clone https://github.com/bubbliiiing/siamese-pytorch.git
   cd siamese-pytorch
   

2. 安装依赖 建议使用国内镜像源加速安装：

   pip install torch==1.2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
   # 如有其他依赖缺失，请根据报错自行安装，例如：
   # pip install opencv-python pillow numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 下载预训练权重与数据集 项目提供百度网盘下载链接，请下载以下文件并放置到指定目录：

   • VGG16 主干权重 (vgg16-397923af.pth)：用于迁移学习或训练新数据集。

     • 下载地址：百度网盘 (提取码: 44en)
     • 存放路径：项目根目录下的 model_data/ 文件夹。

   • Omniglot 预训练权重 (Omniglot_vgg.pth)：可直接用于 Omniglot 数据集的预测演示。

     • 同上链接或单独下载，存放路径：model_data/ 文件夹。

   • 数据集 (可选，若需重新训练)：

     • Omniglot 数据集：百度网盘 (提取码: 5sa7)
     • 人脸数据集：百度网盘 (提取码: aqhg)
     • 存放路径：项目根目录下的 dataset/ 文件夹（注意文件夹层级结构，详见“基本使用”中的训练部分）。

基本使用

1. 快速预测 (使用预训练模型)

无需训练，直接体验图片相似度检测功能。

1. 确保已下载 Omniglot_vgg.pth 并放入 model_data/ 目录。
2. 运行预测脚本：

   python predict.py
   

3. 根据提示依次输入两张图片的路径（示例）：

   img/Angelic_01.png
   img/Angelic_02.png
   

   程序将输出这两张图片的相似性判断结果。

注：若想使用自己训练的模型，请修改 siamese.py 中的 _defaults 字典，将 model_path 指向 logs/ 目录下生成的最新权重文件。

2. 开始训练

方案 A：训练 Omniglot 数据集

1. 数据准备：下载 Omniglot 数据集，解压后保持原有的三级目录结构，整体放入 dataset/ 文件夹下：

   dataset/
   └── image_background/
       ├── Alphabet_of_the_Magi/
       │   ├── character01/
       │   │   ├── 0709_01.png
       │   │   └── ...
       │   └── character02/
       └── Anglo-Saxon_Futhorc/
           └── ...
   

2. 启动训练：

   python train.py
   

方案 B：训练自定义数据集

1. 数据准备：按照以下二级目录结构整理你的图片数据（相比 Omniglot 少一级），放入 dataset/ 文件夹：

   dataset/
   └── image_background/
       ├── class_name_01/  (同类图片放在一个文件夹)
       │   ├── img_01.png
       │   └── img_02.png
       ├── class_name_02/
       └── ...
   

2. 修改配置：打开 train.py，找到 train_own_data 变量并设置为 True：

   train_own_data = True
   

3. 启动训练：

   python train.py
   

训练完成后，生成的权重文件将保存在 logs/ 目录中，可用于后续的预测任务。