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3.4k 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
04-19 374
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。
深度学习目标检测：基于YOLOv10与WIDER FACE数据集的实现与UI界面构建
最新发布
m0_52343631的博客
03-30 396
YOLO（You Only Look Once）是一种基于深度学习的端到端目标检测方法。YOLOv10作为YOLO系列的最新版本，相较于前代模型引入了更加先进的技术，如Vision Transformer（ViT）架构、更加高效的特征提取模块、增强的多任务学习能力等。WIDER FACE是一个大规模、具有挑战性的面部检测数据集，包含了不同的面部图像，涵盖了各种拍摄角度、遮挡、表情等变化。数据集共有4个子集，分别是训练集、验证集、测试集和挑战集，包含了超过30,000张图像，标注了超过400,000个面部框。
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 1456
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
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
05-19 862
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。
Widerface数据集 | 用YOLOV5训练widerface数据集
Liaojiajia-Blog
06-21 9730
用YOLOV5训练widerface数据集一、下载yolov5代码二、下载widerface数据集三、把widerface数据集转成yolo格式四、修改配置文件五、训练数据六、踩坑记录 一、下载yolov5代码 源代码链接：https://github.com/ultralytics/yolov5 训练自己数据集：https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data 注意： 若出现fatal: unable to access ‘https
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
02-24 391
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
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 2217
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 1240
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。
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 2396
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
02-14 554
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。
yolo8实战检测人脸关键点
wqthaha的专栏
06-04 2408
热乎出炉的人脸关键点检测新算法！yolov8首次迁移实现！
python深度学习项目~人脸检测：实时检测与识别人脸的实现~YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv10、pyqt6 ui界面
m0_52343631的博客
10-05 1246
本文详细介绍了如何使用YOLO系列模型进行实时人脸检测与识别，包括环境搭建、数据准备、模型训练和UI界面设计。随着YOLO模型的不断发展，其应用前景愈发广阔。在未来，我们可以进一步探索与多模态学习、深度伪造检测等新兴领域的结合，推动人脸识别技术的发展。
基于深度学习的日常场景下的人脸检测系统：YOLOv5/v6/v7/v8/v10模型实现与UI界面集成
m0_52343631的博客
10-04 1052
人脸检测技术的目标是自动识别图像或视频中的人脸，并为后续的人脸识别、人脸跟踪等应用提供基础。近年来，基于深度学习的算法（如YOLO、SSD、Faster R-CNN等）已被广泛应用于人脸检测，展现出优越的性能。本文详细介绍了如何构建一个基于深度学习的人脸检测系统，包括数据集准备、模型训练、用户界面设计及代码实现。通过不断优化和完善该系统，可以实现高效、准确的人脸检测，助力安防监控、智能家居等领域的发展。
WIDER FACE数据集转YOLO格式
m0_51510934的博客
12-07 979
提供了两个脚本用于将WIDER FACE数据集转化成适用于YOLO模型的数据集格式
基于深度学习的日常场景下的人脸检测系统 —— YOLOv5 + UI界面 + 数据集实现
m0_52343631的博客
03-16 318
在YOLOv5训练过程中，我们需要一个标注好的数据集。：该数据集包含广泛的场景，具有大量的面部标注数据，适用于人脸检测任务。：该数据集包含了大量标注好的人脸图像，适合用于人脸检测任务的训练和测试。：这是一个面向识别任务的数据集，包含了大量的标注图像。VGGFace2：该数据集包含了大量的面部图像，用于面部识别和检测。本文详细介绍了如何基于YOLOv5实现一个日常场景下的人脸检测系统。我们涵盖了从数据集准备、YOLOv5模型训练、UI界面设计等多个方面，提供了完整的代码实现。
wider face 测试
02-14
### WIDER Face 数据集测试方法 对于WIDER Face数据集的测试，通常涉及几个关键步骤来评估模型性能。这些过程不仅限于特定框架或工具，而是广泛适用于多种目标检测算法。 #### 准备工作 为了准备测试环境，需先确保拥有完整的WIDER Face数据集以及相应的预处理脚本。该数据集分为训练、验证和测试三个部分[^1]。针对不同需求可以选择不同的子集用于实验。值得注意的是，在正式评测之前应该严格区分这三个集合的功能——仅使用训练集调整超参数并优化网络结构；利用验证集监控过拟合现象；最后通过官方提供的标准接口提交至测试服务器获取最终成绩。 #### 转换标注格式 由于原始的数据标签是以MATLAB .mat 文件形式存储，因此需要将其转化为适合所选深度学习库读取的形式。例如，当采用MMDetection作为开发平台时，则应参照其文档说明将WIDER FACE转为COCO数据集格式标注[^2]。此操作可以通过编写Python脚本来实现自动化处理，从而简化流程提高效率。 #### 训练与推理阶段 一旦完成了上述准备工作之后就可以着手构建自己的人脸识别系统了。以YOLOv3为例，在完成必要的配置修改后即可启动训练进程[^3]。期间要注意保存最佳权重文件以便后续加载执行预测任务。至于实际部署方面，可以借助OpenCV等计算机视觉库快速绘制边界框可视化输出结果，并配合专门编写的辅助函数如`count_IOU.py`来进行精度分析。 #### 性能度量指标 评价一个物体探测器的好坏往往依赖于一系列量化统计数值，其中最常用的就是平均交并比（mAP）、精确率(Precision) 和 召回率(Recall)。具体来说就是比较预测出来的矩形区域同真实标记之间的重叠程度，进而得出各项分数。此外还有F-measure综合考量两者平衡状况。 ```python def calculate_iou(boxA, boxB): # determine the (x, y)-coordinates of the intersection rectangle xA = max(boxA[0], boxB[0]) yA = max(boxA[1], boxB[1]) xB = min(boxA[2], boxB[2]) yB = min(boxA[3], boxB[3]) # compute the area of intersection rectangle interArea = abs(max((xB - xA, 0)) * max((yB - yA), 0)) if interArea == 0: return 0 # compute the area of both the prediction and ground-truth rectangles boxAArea = abs((boxA[2] - boxA[0]) * (boxA[3] - boxA[1])) boxBArea = abs((boxB[2] - boxB[0]) * (boxB[3] - boxB[1])) iou = interArea / float(boxAArea + boxBArea - interArea) return iou ```
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