YOLO v8使用WIDER Face数据集人脸检测

已于 2024-12-10 12:27:06 修改
阅读量3.8k 收藏 26
点赞数 14
分类专栏： Pytorch 文章标签： YOLO pytorch 深度学习 目标检测
于 2024-03-06 20:38:20 首次发布
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/m0_56516039/article/details/136517050
版权
本文介绍了如何使用yolov8在WIDERFace数据集上进行人脸检测，包括数据集准备、转换为yolo所需的COCO8格式，以及如何配置和训练模型。后续章节涉及PyTorch和OpenCV的模型训练与测试过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

​
github：https://github.com/taisuii/yolo_face

0x1 数据集准备

yolo支持多种数据集格式，详细请看官网 https://docs.ultralytics.com/datasets/

WIDER Face(人脸目标检测数据集) http://shuoyang1213.me/WIDERFACE/

人脸图像 https://drive.google.com/file/d/1KfmeBY7N0hNhg79UIgdEhbNxGSrDPWSm/view?usp=drive_link

使用yolov8模型目标检测，再使用resnet或者OpenCV对人脸图像进行分类

0x2 数据处理 及其转换

网上有转换成VOC数据集再转换成COCO再转换成yolo的数据集，实际上没必要那么麻烦

先下载这三个，解压到WIDER_FACE，我们只需要这几个数据，从左到右，x和y的最小值坐标，box的宽和高
在这里插入图片描述

在这里插入图片描述

把数据进行转换成yolo支持的coco8格式(WIDER_FACE_COCO8.py)，即比例形式

x_center = (xmin + boxw/2)/img_with

y_center = (ymin + boxh/2)/img_height

box_width = boxw / img_width

box_height = boxh / img_height

处理代码，及其绘制box

python WIDER_FACE_COCO8.py

验证是否文件齐全

python verify.py

0x3 模型训练

配置文件在config/coco8.yaml

这里我用的设备是RTX 4070 12G

单线程 batch=8 跑出来大概需要空闲显存10G

python train_yolov8.py

PyTorch: starting from 'runs\detect\train2\weights\best.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 5, 8400) (5.9 MB)

Results saved to runs\detect\train22
在这里插入图片描述

左边标签，右边predict
在这里插入图片描述

在这里插入图片描述

0x4 OpenCv训练

1.数据处理

提取所有人名 放入config.py

python FaceDataHandle.py
2.训练模型

训练opencv的模型 保存为model.yml

python opencv_faceClassify/train.py

0x5 模型测试

python run.py

在这里插入图片描述

Base on yolov8 and wider face dataset, training a model that can be used

​

基于YOLOv10与UI界面的WIDER FACE人脸检测：完整实现与应用
m0_52343631的博客
04-19 402
特别是YOLOv10，作为YOLO系列的最新版本，其在检测精度、速度以及跨尺度检测能力等方面有了显著改进，使得它在实时人脸检测中具有广泛的应用前景。本文将详细介绍如何使用YOLOv10进行WIDER FACE数据集上的人脸检测，结合UI界面开发一个简单的系统，使用户能够上传图片进行人脸检测。WIDER FACE是一个广泛使用的人脸检测数据集，包含了大量标注精确的图像，适合用于训练和评估人脸检测模型。通过UI，用户可以上传图片或视频，YOLOv10模型将检测出其中的人脸，并在界面中展示检测结果。
使用YOLOv8进行WIDER FACE人脸检测的深度学习实现与UI展示
m0_52343631的博客
04-14 893
YOLO（You Only Look Once）是一种经典的目标检测算法，其主要特点是将目标检测任务转化为回归问题，通过单一神经网络预测图像中所有目标的类别及其位置。YOLOv8是YOLO系列的最新版本，在精度、速度和适应性方面相较于之前的版本有了显著的提高。YOLOv8作为一种高效的目标检测模型，在人脸检测任务中表现出色。通过结合WIDER FACE数据集，YOLOv8能够有效应对复杂场景中的多样性和挑战性。通过搭建UI界面，用户可以更加方便地上传图片并查看人脸检测结果。
基于YOLOv7算法和Widerface数据集的高精度实时人脸检测系统（PyTorch+Pyside6+YOLOv7）
sc1434404661的博客
02-19 1490
基于YOLOv7算法和Widerface数据集的高精度实时人脸检测系统可用于日常生活中检测与定位人脸目标，此系统可完成对输入图片、视频、文件夹以及摄像头方式的目标检测与识别，同时本系统还支持检测结果可视化与导出
如何在深度学习目标检测框架训练使用Wider Face人脸检测数据集 _YOLO（You Only Look Once）系列算法进行人脸检测任务
2401_86822270的博客
02-24 487
深度学习目标检测框架训练使用Wider Face人脸检测数据集 _YOLO（You Only Look Once）系列算法进行人脸检测任务
基于深度学习的高精度电动车检测识别系统（Python+PyTorch+Pyside6）
sc1434404661的博客
05-19 893
基于深度学习的高精度电动车检测识别系统可用于日常生活中检测与定位电动车目标，利用深度学习算法可实现图片、视频、摄像头等方式的电动车目标检测识别，另外支持结果可视化与图片或视频检测结果的导出。本系统采用YOLOv5目标检测模型训练数据集，使用Pysdie6库来搭建页面展示系统，同时支持ONNX、PT等模型作为权重模型的输出。本系统支持的功能包括电动车训练模型的导入、初始化；置信分与IOU阈值的调节、图像上传、检测、可视化结果展示、结果导出与结束检测；视频的上传、检测、可视化结果展示、结果导出与结束检测。
Wider Face+YOLOV8人脸检测
热门推荐
chen_znn的博客
01-18 2万+
使用wider face数据集训练yolov8模型
YOLOv5 人脸口罩图片数据集
12-10
约4000张不带口罩的人脸图片+4000张带口罩的人脸图片，含标注文件，符合YOLOv5格式，可直接训练。
YOLO v5训练人脸数据集小记
い天然呆的博客
10-23 2238
1、制作voc2007数据集 2007标准格式为： （1）2007具体结构内容如下： C:\Users\lindsay\Desktop\yolov5\data\VOC2007\JPEGImages存放我的jpg图片 C:\Users\lindsay\Desktop\yolov5\data\VOC2007\Annotations存放对应的xml文件 C:\Users\lindsay\Desktop\yolov5\data\VOC2007\ImageSets\Main存放划分的训练集、验证集等图片名称的t
Yolov8 人脸关键点检测
爱编程的鱼的博客
08-18 1282
这里与姿态估计不同的是人脸关键点只有5个，每个关键点由x，y组成，因此一组标注信息共(1+4+5*2)=15个数字。即每一行都有15个数字标注。基于yolov8的人脸检测，带关键点检测。，这5个关键点属于人脸内部关键点，根据它们就可以计算出人脸的姿态。1、修改模型配置文件yolov8n-widerface.yaml。将数据处理成yolo格式，并划分train、val。2、数据配置文件widerface.yaml。分别为左右两个嘴角，两个眼睛的中心，鼻子。一、数据集下载 widerface。
使用YOLOv8进行WIDER数据集的人脸检测：构建一个高效的面部识别系统
最新发布
m0_52343631的博客
04-16 203
WIDER（Wide-Scale Celeb Faces）数据集是一个面向人脸检测的大规模数据集。该数据集主要用于评估面部检测算法的性能，尤其是在复杂场景和高遮挡情况下的表现。WIDER数据集由多个来源的图片构成，图像中包含大量的人脸，涵盖了不同的年龄、性别、姿势、光照等多种变化。WIDER数据集包含了三个子集：训练集（train）、验证集（val）和测试集（test）。其中，训练集包含约32,203张图像，标注了超过393,703个面部框。
如何使用Yolov8训练——人脸表情识别数据集 人脸表情识别数据集 数据集包含30200张清晰的人脸表情图片，标签为yolo txt格式，标签类别-共8类_
2401_88441190的博客
11-10 1327
基于yolo的人脸表情识别数据集 包含30200张清晰的人脸表情图片。基于yolo的人脸表情识别数据集 添加图片注释，不超过 140 字（可选） 数据集包含30200张清晰的人脸表情图片，标签为yolo txt格式，标签类别-共8类: anger 、contempt、disgust、 fear、happy、 neutral、 sad、 surpr ise。 添加图片注释，不超过 140 字（可选） 使用YOLOv8进行人脸表情识别，并提供详细的训练代码和数据集准备步骤。假设你已经有一个包含30200张图
YOLOv5 人脸口罩图片数据集带图片和文档，可直接训练
04-29
这是基于Yolov5标注的人脸与口罩数据集，包含图片和txt文档，可直接训练使用 约4000张不带口罩的人脸图片+4000张带口罩的人脸图片，含标注文件，符合YOLOv5格式，可直接训练。
人脸算法-基于OpenCV+YOLOv8检测人脸关键点+人脸质量评估-含C++和Python版本+附模型权重+项目源码
05-08
人脸算法_基于OpenCV+YOLOv8检测人脸关键点+人脸质量评估_含C++和Python版本+附模型权重+项目源码_优质项目实战
【人脸识别系列】从知名DeepFace人脸识别库入手详解人脸识别---第三部分DeepFace库使用介绍之人脸检测模型介绍
今晚打老虎的专栏
01-26 2457
人脸检测是面部识别应用中非常重要的阶段。谷歌研究中显示，仅面部对齐就可以将面部识别准确率提高0.76%。本文的检测即指在图片中找到人脸的位置。人脸检测模型是DeepFace中最为重要的一类模型，截至2024年1月26日在DeepFace中，包含了等人脸检测器。本文将对DeepFace中使用的人脸检测器进行讲解，以帮助大家更加深入的理解该库。
基于深度学习YOLOv8的日常场景下的人脸检测系统
m0_52343631的博客
02-14 574
本文详细介绍了如何基于YOLOv8实现一个日常场景下的人脸检测系统，包括数据集准备、YOLOv8模型训练、实时检测实现、PySide6界面开发等内容。通过深度学习技术，我们能够实现高效、精准的人脸检测，并将其应用于实际的日常场景中。希望这篇博客能够为你提供有关人脸检测系统开发的深入理解，并为你自己的项目提供帮助。
使用yolov8训练coco_whole_body进行人脸检测
AQUILIOS的博客
03-10 2729
剧透：主要是讲我怎么生成合适的数据标注文件。
widerface人脸检测数据集VOC+YOLO格式16094张1类别
FL1623863129的博客
06-08 722
为了更好研究人脸检测数据集，特将widerface人脸检测数据集转成VOC+YOLO格式，以方便进行yolo系列训练。重要说明：这个是widerface数据集一部分，该数据集特点是每个图片bbox的像素面积都大于3500，适合大脸检测就是人近距离进行人脸检测，使用该数据集好处是不容易误检测，远距离人脸检测可能就会效果差点。数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["face"]
C# OpenCvSharp Yolov8 Face Landmarks 人脸特征检测
.NET 人工智能实践
10-27 2231
C# OpenCvSharp Yolov8 Face Landmarks 人脸特征检测
目标检测中如何使用YOLOv8训练人脸检测数据集 识别检测人脸，如何配置环境，评估模型优化模型并构建gui识别图片中的人脸检测
2401_88441190的博客
03-17 947
目标检测中如何使用YOLOv8训练人脸检测数据集 识别检测人脸，如何配置环境，评估模型优化模型并构建gui识别图片中的人脸检测
yolo人脸检测含数据集
03-20
### YOLO用于人脸识别的数据集下载及示例代码 YOLO（You Only Look Once）是一种高效的实时目标检测算法，在人脸检测领域也有广泛应用。以下是关于如何准备数据集并使用YOLO进行人脸识别的具体方法。 #### 数据集准备 为了训练YOLO模型进行人脸识别，通常需要一个标注良好的人脸数据集。常用的人脸识别数据集包括： - **WIDER FACE**：这是一个大规模的人脸检测数据集，包含超过40,000张图片和约75万个人脸框[^1]。 - **FDDB (Face Detection Data Set and Benchmark)**：该数据集中包含了2845张图像，每幅图中标记了一个人或多个人的脸部区域[^3]。 如果想自己创建数据集，则可以按照以下方式操作： 1. 将所有训练数据放置于`traindata`目录下，并按类别分好文件夹结构。 2. 修改配置文件中的`data_path`参数指向本地存储路径，例如设置为`./traindata`即可完成基本配置。 #### 安装依赖与环境搭建 确保安装必要的库和支持工具链： ```bash pip install -r requirements.txt ``` 运行验证脚本前确认已正确加载权重文件： ```bash python ultralytics/yolo/v8/detect/val.py --data face_expression_dataset.yaml --weights runs/detect/train/exp/weights/best.pt ``` 上述命令会基于预定义的测试集合评估当前最佳性能模型的表现情况[^2]。 #### 推理过程演示 利用已经训练完毕的最佳权值执行预测任务时可采用如下指令形式： ```bash python detect.py --source path_to_image_or_video --weights best.pt --conf-thres 0.4 --iou-thres 0.5 ``` 这里设置了置信度阈值(`--conf-thres`) 和交并比(`--iou-thres`) 来过滤掉低质量的结果输出。 #### 示例代码片段 下面给出一段简单的Python接口调用实例来展示如何通过API实现单帧画面内的多个人物面部定位功能。 ```python from ultralytics import YOLO model = YOLO('best.pt') # 加载最优模型 results = model.predict(source='test.jpg', conf=0.4, iou=0.5) for r in results: boxes = r.boxes.xyxy.cpu().numpy() # 获取边界框坐标[xmin,ymin,xmax,ymax] scores = r.boxes.conf.cpu().numpy() # 提取得分数组 labels = r.names[r.boxes.cls.int().cpu().numpy()] # 类别名称列表 print(f'Detected {len(boxes)} faces.') ```
评论 1
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