【免费下载】 CelebA-HQ数据集:高质量人脸图像的宝库
2026-01-21 04:12:16作者:胡易黎Nicole
项目介绍
CelebA-HQ数据集是一个专为计算机视觉研究设计的高质量人脸图像数据集,包含30,000张分辨率为1024x1024的图像。作为CelebA数据集的升级版,CelebA-HQ不仅提供了更高分辨率的图像,还保留了原始数据集的详细标注信息,使其成为人脸识别、图像生成和计算机视觉等领域研究的理想选择。
项目技术分析
数据集特点
- 分辨率多样:CelebA-HQ数据集提供了多种分辨率的图像,包括64x64、128x128、256x256、512x512和1024x1024,满足不同应用场景的需求。
- 高质量图像:所有图像均为高分辨率,确保了训练模型的精度。
- 详细标注:每张图像都附带了人脸关键点和属性信息,便于进行多任务学习和数据分析。
数据集生成流程
- 下载合并解压img_celeba.7z:通过合并14个压缩包分卷,得到202,599张原图。
- 下载list_landmarks_celeba.txt:获取人脸关键点信息。
- 获取h5tool.py:从GitHub仓库中获取脚本,用于生成数据集。
- 创建目录结构:构建celeba-hq目录及其子目录。
- 下载.dat数据:获取nVidia官方提供的.dat数据。
- 配置环境:创建Python 2.7虚拟环境,并安装必要的依赖包。
- 生成数据集:运行h5tool.py脚本,生成不同分辨率的图像数据集。
项目及技术应用场景
CelebA-HQ数据集适用于多种计算机视觉应用场景,包括但不限于:
- 人脸识别:高分辨率图像有助于提升人脸识别模型的准确性。
- 图像生成:用于训练生成对抗网络(GAN)等模型,生成逼真的人脸图像。
- 计算机视觉研究:提供丰富的标注信息,支持多任务学习和数据分析。
项目特点
- 高质量数据:所有图像均为高分辨率,确保了训练模型的精度。
- 多样分辨率:提供多种分辨率的图像,满足不同应用场景的需求。
- 详细标注:附带人脸关键点和属性信息,便于多任务学习。
- 易于生成:通过简单的步骤和脚本,即可生成所需的数据集。
结语
CelebA-HQ数据集是一个高质量的人脸图像数据集,适用于多种计算机视觉应用场景。无论你是研究人员还是开发者,CelebA-HQ都能为你提供丰富的数据资源,助力你的项目取得成功。欢迎访问GitHub仓库,获取更多信息并开始使用这一强大的数据集!
联系我们:如有任何问题或建议,欢迎通过GitHub Issues联系我们。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
jiuwenclawJiuwenClaw 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。Python0179- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
AtomGit城市坐标计划AtomGit 城市坐标计划开启!让开源有坐标,让城市有星火。致力于与城市合伙人共同构建并长期运营一个健康、活跃的本地开发者生态。01
snackjson新一代高性能 Jsonpath 框架。同时兼容 `jayway.jsonpath` 和 IETF JSONPath (RFC 9535) 标准规范(支持开放式定制)。Java00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
598
4.01 K
Ascend Extension for PyTorch
Python
436
525
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
918
759
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
365
245
暂无简介
Dart
843
204
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.46 K
814
昇腾LLM分布式训练框架
Python
130
154
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
112
167
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
128
174