活体检测 LGSC 代码环境配置及运行记录

环境配置

1、创建虚拟环境

conda create -n lgsc python=3.7
conda activate lgsc

2、安装paddlepaddle

# 安装gpu版本
pip install paddlepaddle-gpu
# 安装cpu版本
pip install paddlepaddle

3、安装common

pip install common

4、安装dual, tight, data, prox

pip install dual tight data prox

5、安装paddle

pip install paddle

6、安装cudnn

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.1 -c pytorch

7、安装matplotlib，sklearn，opencv-python

pip install matplotlib sklearn opencv-python

代码修改

1、根据以下代码创建保存模型的文件夹

如：'./work_dir/FAS/Best_model'

checkpoint_cfg = dict(
    work_dir='./work_dir/FAS_add_val',
    load_from='./work_dir/FAS/Best_model',  # 这里
    save_interval=10000,
    eval_interval=200,
    log_interval=10,
    eval_type='acc'
)

2、修改数据集路径

# 改成自己的数据集路径
data_root = 'D:/Projects/face_anti_spoofing/LGSC-for-FAS-master/data/'
train_dataset = FaceForensics(
    img_prefix=data_root,
    ann_file=data_root + 'train.txt',  # txt文件需要根据自己的label文件名进行修改
    mask_file=None,
    img_scale=(224, 224),
    img_norm_cfg=dict(mean=(100, 100, 100), std=(80, 80, 80)),
    extra_aug=extra_aug,
    crop_face=0.1,
)

val_dataset = FaceForensics(
    img_prefix=data_root,
    ann_file=data_root + 'test.txt',
    img_scale=(224, 224),
    img_norm_cfg=dict(mean=(100, 100, 100), std=(80, 80, 80)),
    extra_aug=dict(),
    test_mode=True,
    crop_face=0.1,
)

3、使用自己的数据集进行训练

由于 FaceForensics 数据集下载很慢，我就用了自己原有的数据去训练，我自己的数据是经裁剪后的人脸图，如果小伙伴的图片没经过裁剪就拿图片去跑个人脸检测模型，对模型输出的人脸框进行裁剪即可。

数据问题解决了，接下来就是生成对应的txt文件，下面的代码是我自己写的一个生成txt文件的脚本，大家可以参考一下，

import os,shutil


# 根据自己的数据路径进行修改
real_root_path = 'D:/Projects/FAS/datasets/real/'
real_img_list = []
for path, dir, imgs in os.walk(real_root_path):
    for img in imgs:
        img_path= os.path.join(path, img)
        if img_path.endswith('jpg') or img_path.endswith('png'):
            real_img_list.append(img_path)

fake_root_path = 'D:/Projects/FAS/datasets/fake/'
fake_img_list = []
for path, dir, imgs in os.walk(fake_root_path):
    for img in imgs:
        img_path= os.path.join(path, img)
        if img_path.endswith('jpg') or img_path.endswith('png'):
            fake_img_list.append(img_path)

train_txt = open('./data/train.txt','w')

for img in real_img_list:
    label = 0
    train_txt.write('{} {}\n'.format(img , label))

for img in fake_img_list:
    label = 1
    train_txt.write('{} {}\n'.format(img , label))

train_txt.close()

4、接下来就可以训练啦

如果遇到如下错误：

Out of memory error on GPU 0. Cannot allocate 612.500000MB memory on GPU 0, 5.999695GB memory has been allocated and available memory is only 0.000000B.

则需要把训练及验证时的 batch size 调小，如下图所示：