HRNet 训练自定义数据集

于 2023-04-02 23:27:24 发布
阅读量972 收藏 8
点赞数
分类专栏： CV 文章标签： Train HRNet MMPose
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/haiyangyunbao813/article/details/129919257
版权

在这里插入图片描述

基于 HRNet 训练人脸特征点数据集.

INSTALL

conda create -n openmmlab python=3.8
# torch gpu```
pip install torch==1.12.1+cu102 torchvision==0.13.1+cu102 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu102
# 
pip install -U openmim
mim install mmcv-full

# install MMPose.
git clone https://github.com/open-mmlab/mmpose.git
cd mmpose
pip install -r requirements.txt
pip install -v -e .

Train custom dataset

  1. 添加 configs/__base__/dataset/custom.py , 配置特征点信息 (我的数据是 37个人脸特征点)
    dataset_info = dict(
    dataset_name='landmark',
    paper_info=dict(
        author='Wu, Wayne and Qian, Chen and Yang, Shuo and Wang, '
               'Quan and Cai, Yici and Zhou, Qiang',
        title='Look at boundary: A boundary-aware face alignment algorithm',
        container='Proceedings of the IEEE conference on computer '
                  'vision and pattern recognition',
        year='2018',
        homepage='https://wywu.github.io/projects/LAB/WFLW.html',
    ),
    keypoint_info={
        0:
            dict(
                name='left_eye_left_corner', id=0, color=[255, 255, 255], type='', swap='right_eye_right_corner'),
        1:
            dict(
                name='left_eye_top_1', id=1, color=[255, 255, 255], type='', swap='right_eye_top_4'),
        2:
            dict(
                name='left_eye_top_2', id=2, color=[255, 255, 255], type='', swap='right_eye_top_3'),
        3:
            dict(
                name='left_eye_top_3', id=3, color=[255, 255, 255], type='', swap='right_eye_top_2'),
        4:
            dict(
                name='left_eye_top_4', id=4, color=[255, 255, 255], type='', swap='right_eye_top_1'),
        5:
            dict(
                name='left_eye_right_corner', id=5, color=[255, 255, 255], type='', swap='right_eye_left_corner'),
        6:
            dict(
                name='left_eye_bottom_1', id=6, color=[255, 255, 255], type='', swap='right_eye_bottom_4'),
        7:
            dict(
                name='left_eye_bottom_2', id=7, color=[255, 255, 255], type='', swap='right_eye_bottom_3'),
        8:
            dict(
                name='left_eye_bottom_3', id=8, color=[255, 255, 255], type='', swap='right_eye_bottom_2'),
        9:
            dict(
                name='left_eye_bottom_4', id=9, color=[255, 255, 255], type='', swap='right_eye_bottom_1'),
        10:
            dict(
                name='right_eye_left_corner',
                id=10,
                color=[255, 255, 255],
                type='',
                swap='left_eye_right_corner'),
        11:
            dict(
                name='right_eye_top_1',
                id=11,
                color=[255, 255, 255],
                type='',
                swap='left_eye_top_4'),
        12:
            dict(
                name='right_eye_top_2',
                id=12,
                color=[255, 255, 255],
                type='',
                swap='left_eye_top_3'),
        13:
            dict(
                name='right_eye_top_3',
                id=13,
                color=[255, 255, 255],
                type='',
                swap='left_eye_top_2'),
        14:
            dict(
                name='right_eye_top_4',
                id=14,
                color=[255, 255, 255],
                type='',
                swap='left_eye_top_1'),
        15:
            dict(
                name='right_eye_right_corner',
                id=15,
                color=[255, 255, 255],
                type='',
                swap='left_eye_left_corner'),
        16:
            dict(name='right_eye_bottom_1', id=16, color=[255, 255, 255], type='', swap='left_eye_bottom_4'),
        17:
            dict(
                name='right_eye_bottom_2',
                id=17,
                color=[255, 255, 255],
                type='',
                swap='left_eye_bottom_3'),
        18:
            dict(
                name='right_eye_bottom_3',
                id=18,
                color=[255, 255, 255],
                type='',
                swap='left_eye_bottom_2'),
        19:
            dict(
                name='right_eye_bottom_4',
                id=19,
                color=[255, 255, 255],
                type='',
                swap='left_eye_bottom_1'),
        20:
            dict(
                name='left_eyebrow_left_corner',
                id=20,
                color=[255, 255, 255],
                type='',
                swap='right_eyebrow_right_corner'),
        21:
            dict(
                name='left_eyebrow_right_corner',
                id=21,
                color=[255, 255, 255],
                type='',
                swap='right_eyebrow_left_corner'),
        22:
            dict(
                name='right_eyebrow_left_corner',
                id=22,
                color=[255, 255, 255],
                type='',
                swap='left_eyebrow_right_corner'),
        23:
            dict(
                name='right_eyebrow_right_corner',
                id=23,
                color=[255, 255, 255],
                type='',
                swap='left_eyebrow_left_corner'),
        24:
            dict(
                name='nose_left_corner',
                id=24,
                color=[255, 255, 255],
                type='',
                swap='nose_right_corner'),
        25:
            dict(
                name='nose_right_corner',
                id=25,
                color=[255, 255, 255],
                type='',
                swap='nose_left_corner'),
        26:
            dict(
                name='mouth_left_corner',
                id=26,
                color=[255, 255, 255],
                type='',
                swap='mouth_right_corner'),
        27:
            dict(
                name='mouth_top_1', id=27, color=[255, 255, 255], type='',
                swap='mouth_top_3'),
        28:
            dict(
                name='mouth_top_2', id=28, color=[255, 255, 255], type='',
                swap='mouth_top_2'),
        29:
            dict(
                name='mouth_top_3', id=29, color=[255, 255, 255], type='',
                swap='mouth_top_1'),
        30:
            dict(
                name='mouth_right_corner', id=30, color=[255, 255, 255], type='',
                swap='mouth_left_corner'),
        31:
            dict(
                name='mouth_bottom_1', id=31, color=[255, 255, 255], type='',
                swap='mouth_bottom_3'),
        32:
            dict(
                name='mouth_bottom_2', id=32, color=[255, 255, 255], type='',
                swap='mouth_bottom_2'),
        33:
            dict(
                name='mouth_bottom_3', id=33, color=[255, 255, 255], type='',
                swap='mouth_bottom_1'),
        34:
            dict(
                name='chin_left', id=34, color=[255, 255, 255], type='',
                swap='chin_right'),
        35:
            dict(
                name='chin_mid', id=35, color=[255, 255, 255], type='',
                swap='chin_mid'),
        36:
            dict(
                name='chin_right', id=36, color=[255, 255, 255], type='',
                swap='chin_left')
    },
    skeleton_info={},
    joint_weights=[1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5, 1.5,
                   1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
    sigmas=[])
  2. 创建 mmpose/datasets/datasets/face/face_custom_dataset.py, 这里起名叫 FaceCustomDataset ,参考其他数据集，然后根据自己数据集修改就行.
  3. init.py 增加 FaceCustomDataset
    from .face_custom_dataset import FaceCustomDataset  
__all__ = [  
    'Face300WDataset', 'FaceAFLWDataset', 'FaceWFLWDataset', 'FaceCOFWDataset',  
    'FaceCocoWholeBodyDataset', 'FaceCustomDataset'  
]
  4. 创建 configs/custom/litehrnet_w18_face_256x192.py
    # 修改 _base_ 改成 custom.py
_base_ = [  
    '../_base_/default_runtime.py',  
    '../_base_/datasets/custom.py'  
]
	...
	# 数据集配置
	data = dict(  
	    samples_per_gpu=64,  
	    workers_per_gpu=4,  
	    val_dataloader=dict(samples_per_gpu=32),  
	    test_dataloader=dict(samples_per_gpu=32),  
	    train=dict(  
	       # 设置我们自定义数据集
	        type='FaceCustomDataset',  
	        ann_file=f'{data_root}/annotations/face_landmark_train.json',  
	        img_prefix=f'{data_root}/images/',  
	        data_cfg=data_cfg,  
	        pipeline=train_pipeline,  
	        dataset_info={{_base_.dataset_info}}),  
	    val=dict(  
	        type='FaceCustomDataset',  
	        ann_file=f'{data_root}/annotations/face_landmark_val.json',  
	        img_prefix=f'{data_root}/images/',  
	        data_cfg=data_cfg,  
	        pipeline=val_pipeline,  
	        dataset_info={{_base_.dataset_info}}),  
	    test=dict(  
	        type='FaceCustomDataset',  
	        ann_file=f'{data_root}/annotations/face_landmarks_wflw_test.json',  
	        img_prefix=f'{data_root}/images/',  
	        data_cfg=data_cfg,  
	        pipeline=test_pipeline,  
	        dataset_info={{_base_.dataset_info}}),  
	)
	```
  5. Train
    # signle gpu
python .tools/train.py "./configs/custom/litehrnet_w18_face_256x192.py" -work-dir "./tools/runs/models"
# mul gpu
./tools/dist_train.sh "./configs/custom/litehrnet_w18_face_256x192.py" 4 --work-dir "./tools/runs/ld_37"

在这里插入图片描述
6. 验证
python demo/face_img_demo.py ./configs/custom/litehrnet_w18_face_256x192.py tools/runs/ld_37/best_NME_epoch_1660.pth --img-root tests/data/ld_37/ --img 1.jpg --out-img-root vis_results
在这里插入图片描述

参考

  1. https://github.com/open-mmlab/mmpose
  2. https://github.com/HRNet/Lite-HRNet
J ..
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
HRNet训练自己的分类数据
cumtchw
04-22 4577
1.搭建环境 为了防止和服务器上的环境冲突，这里利用conda搭建环境。 Install PyTorch=0.4.1 following theofficial instructions git clonehttps://github.com/HRNet/HRNet-Image-Classification Install dependencies: pip install -r requirements.txt ...
hrnet语义分割训练数据制作方法
02-17
hrnet语义分割训练数据制作方法
关键点检测网络HR-Net数据集制作过程的理解
second_riven的博客
03-07 2097
项目中需要对关键点定位，CPM网络和HR-Net对于这个目标表现都不错，现在着重说一下HR-Net在替换成自己数据集的过程中出现的一点疑惑，通过GitHub issue和计算解决的过程。 首先给出使用的GitHub链接。 网络结构如图所示： 可以发现，网络在进行一系列卷积并行后最后合并成相同尺寸的特征图，也就是会形成最终的Heatmap。在制作数据集时，使用的时face300w的csv文件格式，截取部分大概长这个样： 可以发现，前面有三个系数，分别是scale, center_w,centr
保姆级使用PyTorch训练与评估自己的HorNet网络教程
啥都生的博客
11-08 1959
如果你以为该仓库仅支持训练一个模型那就大错特错了，我在项目地址放了目前支持的35种模型，速度快的同学论文已经在审了～
cls_hrnet_hrnet_
09-28
用于分类工作的hrnet，这个网络可以提取到高分辨率的特征，通过将特征进行并行的计算然后重用，来提高特征的分辨率，适合与位置相关性大的分类任务
HRNet-Facial-Landmark-Detection 训练自己数据集
J。
07-27 1349
微软亚洲研究院视觉计算组提出的一种新型主干网络结构，可以学到高分辨率表征，有效的提高了人脸关键点检测的性能。
hrnetv2训练自己的数据集(cityscapes格式)
hanqu3456的博客
03-17 2318
简单记录利用hrnetv2训练自有数据时，遇到的问题 1.下载github代码，配置环境； 2.假设已有原始8位图像和8位label图像； 3.修改root/lib/datasets/cityscapes.py中的部分： self.label_mapping = {-1: ignore_label, 0: ignore_label, 1: ignore_label, 2: ignore_label,
MMSegmentation训练自己的数据集（HRNet）
m0_47026232的博客
03-12 2499
MSegmentation训练自己的数据集（HRNet）
这是一个hrnet-pytorch的库，可用于训练自己的语义分割数据集
04-25
a、训练voc数据集 1、将我提供的voc数据集放入VOCdevkit中（无需运行voc_annotation.py）。 2、在train.py中设置对应参数，默认参数已经对应voc数据集所需要的参数了，所以只要修改backbone和model_path即可。 3、...
pose_hrnet_w32_256x256.pth
06-11
HRNet的官方预训练权重，包含3个权重，这是其中一个： MPII w32 256x256 (MPII human joints) pose_hrnet_w32_256x256.pth
HRNet-Image-Classification:在ImageNet上训练HRNet模型
05-25
用于图像分类的高分辨率网络（HRNets） 消息 [2021/01/20]添加一些更强大的ImageNet预训练模型，例如HRNet_W48_C_ssld_pretrained.pth达到top-1 acc的83.6％。 [2020/03/13] TPAMI接受了我们的论文：。 根据要求，我们提供两种小型HRNet模型。 #parameters和GFLOP与ResNet18相似。 使用这两个小型模型的细分结果也可从。 TensoFlow实现可在。 谢谢 ！ 修复问题后启用了ONNX导出。 谢谢！ 介绍 这是的官方代码。 我们使用下图所示的分类头来扩充HRNet。 首先，将四分辨率特征图输入瓶颈，并将输出通道数分别增加到128、256、512和1024。 然后，我们通过输出256个通道的2步3x3卷积对高分辨率表示进行下采样，并将其添加到第二个高分辨率表示中。 重复此过程两次，以小分
pose_hrnet_w48_384x288.pth
06-11
HRNet的官方预训练权重，包含3个权重，这是其中一个： COCO w48 384x288 (more accurate, but slower) - Used as default in live_demo.py and the other scripts pose_hrnet_w48_384x288.pth
水岸分割数据集345张带mask掩码标注图像.7z
最新发布
05-28
水岸分割数据集345张图片，标注是png格式图片，可以用于分割框架训练比如hrnet,unet等
HRNet提取骨架特征点+ ST-GCN训练自己的数据集代码实践问题记录
热门推荐
Cheungleilei的博客
06-18 1万+
软硬件环境： python 3.6.5 Ubuntu 18.04 LTS Pytorch 1.1.0 NVIDIA TITAN XP 8GB 项目链接https://github.com/open-mmlab/mmskeleton 准备工作 先准备数据集 准备环境，包含两步： 第一步： 进入文件夹./deprecated/origin_stgcn_repo/ ，打开requirements.txt看下需要满足的环境条件,conda list: 我不直接安装requirements.txt中的需求原因是，
语义分割:HRnet+ocr+segfix,粗糙跑通训练自己的数据集
zhu_linx的博客
04-29 1804
1.github地址:https://github.com/openseg-group/openseg.pytorch 2.自己数据集的准备:首先文件夹结构组织结构的话按照github文档里写的地址为https://github.com/openseg-group/openseg.pytorch/issues/14，但是我自己的数据集其中label的图片为三通道颜色mask，需要按照类别数(从零开始)整理为二维的[0:n_class-1]的数据格式。 3.需要自己添加配置文件和开始shell脚本，我把配置文
使用HRnet训练自己的模型并检测
qq_44934014的博客
11-06 2128
from __future__ import absolute_import from __future__ import division from __future__ import print_function import cv2 as cv import torch import torch.nn.parallel import torch.backends.cudnn as cudnn import torch.optim import torch.utils.data import torc.
HRNet人体关键点检测
alex1801
08-28 4918
每个关键点的位置，都是通过调整最高热值来进行判断的。首先使用2个strided的卷积，减少输入图像的分辨率，获得初步特征图，然后把该特征图作为一个主体网络的输入，该主体网络的输出和输入的分辨率一样，其会其估算关键点的heatmaps。传统的单人位姿估计方法大多采用概率图形模型或图形结构模型，最近通过深度学习，自动提取特征方式，相对于传统的算法，提升是比较明显的。有的位姿估计网络是通过串联高分辨率子网来建立的，每个子网形成一个stage，由一系列卷积组成，并且在相邻的子网之间有一个下样本层来将分辨率减半。..
mmpose系列 (一)：hrnet 基于mmpose 训练body+foot 23点关键点
qq_38284951的博客
08-15 5519
hrnet body+foot 23点 模型
关键点检测一：HRNet数据预处理（MPII）
Mr.Pru
12-20 5096
关键点检测一：HRNet数据预处理（MPII）前言HRNet源码数据预处理目录位置源码分析JointsDataset类`__init__``_get_db``half_body_transform``__getitem__``get_affine_transform``generate_target` 前言 最近在做考场行为分析的一个项目，其中我负责的是使用关键点检测算法来进行考生异常行为检测。之前只接触过分类算法，写与看的代码也只限于分类任务。而检测任务工程量太大，因此在看官方源码时非常的吃力，因此希望写
hrnet训练自己数据集
07-29
要使用HRNet训练自己的数据集，您可以按照以下步骤进行操作： 1. 准备数据集：收集和标注适用于您的任务的图像数据集。确保每个图像都具有正确的标注，以便能够训练HRNet模型。 2. 安装依赖项：确保您的开发环境中安装了必要的依赖项，例如Python、PyTorch和其他可能需要的库。 3. 下载HRNet代码：从HRNet官方仓库（https://github.com/HRNet/HRNet-Image-Classification）下载代码。 4. 配置训练参数：根据您的数据集和训练需求，修改配置文件（如`experiments/cls_hrnet_w18_sgd_lr5e-2_wd1e-4_bs32_x100.yaml`）以设置正确的参数，包括数据路径、批量大小、学习率等。 5. 准备数据加载器：根据您的数据集格式，编写数据加载器代码，将图像和标注加载到模型中。这通常涉及编写一个数据集类来处理数据集的加载和预处理。 6. 开始训练：运行训练脚本，例如`tools/train.py`，并指定配置文件作为参数。这将启动训练过程，并在指定的迭代次数内逐步优化模型。 7. 评估和调整：在训练完成后，使用验证集或测试集评估模型的性能。根据评估结果，您可以进行超参数调整、数据增强等操作来进一步改进模型。 请注意，以上步骤只是一个大致的指导，具体的实施细节可能因您的数据集和任务而异。您可能还需要参考HRNet官方文档或搜索相关的参考资料来获取更详细和具体的指导。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值