mtcnn人脸检测_MTCNN人脸检测Pytorch实现

项目地址：GitHberChen/MTCNN_Pytorch

接上篇：Uno Whoiam：MTCNN人脸检测：三个臭皮匠，顶个诸葛亮 || 5分钟看懂CV顶刊论文

项目目录介绍：

• test_demo：存放测试结果的图片
• test_images：用于测试的图片
• weights：训练保存的模型权重文件
• create_dataset.py：用于解析CNN_FacePoint、WIDER_Face的.txt文件和制作三个模型的数据集
• detector.py：用于对图片进行检测，即效果展示
• dataset.py：mtcnn_dataset 用于读取生成好的图片库数据集，InplaceDataset 用于按照论文的方式即时生成三类模型的训练数据
• model.py：模型和损失函数
• train.py：训练三个模型
• util.py：一些工具

其它的文件用途不大，.sh 用来训练和制作数据集，可以不用管，想用的话得自己配置路径。

生成数据集：

关于数据集，必须得讲讲其标注的格式：

CNN_FacePoint ：

lfw_5590Abbas_Kiarostami_0001.jpg 75 165 87 177 106.750000 108.250000 143.750000 108.750000 131.250000 127.250000 106.250000 155.250000 142.750000 155.250000

• 第一个是文件保存的相对路径
• 随后4个数字分别表示人脸框的
  ，没想到吧！
• 最后10个数字分别是左眼、右眼、鼻子、左嘴角、右嘴角的
  坐标

WILDER_Face：

0--Parade/0_Parade_marchingband_1_799.jpg
21
78 221 7 8 2 0 0 0 0 0 
78 238 14 17 2 0 0 0 0 0 
113 212 11 15 2 0 0 0 0 0 
134 260 15 15 2 0 0 0 0 0 
163 250 14 17 2 0 0 0 0 0 
201 218 10 12 2 0 0 0 0 0 
182 266 15 17 2 0 0 0 0 0 
245 279 18 15 2 0 0 0 0 0 
304 265 16 17 2 0 0 0 2 1 
328 295 16 20 2 0 0 0 0 0 
389 281 17 19 2 0 0 0 2 0 
406 293 21 21 2 0 1 0 0 0 
436 290 22 17 2 0 0 0 0 0 
522 328 21 18 2 0 1 0 0 0 
643 320 23 22 2 0 0 0 0 0 
653 224 17 25 2 0 0 0 0 0 
793 337 23 30 2 0 0 0 0 0 
535 311 16 17 2 0 0 0 1 0 
29 220 11 15 2 0 0 0 0 0 
3 232 11 15 2 0 0 0 2 0 
20 215 12 16 2 0 0 0 2 0 

• 第一行是图片文件保存的相对路径
• 第二行是该图所标注人脸的数量N
• 后面N行都是人脸框的位置

真是让人回忆起了刷算法题的美好时光呢。

这个项目里我实现了三种生成数据的思路：

1. 读取CNN_FacePoint、WILDER_Face里的图片通过随机截取按比例生成
   、
   、
   的四类数据集保存在硬盘，图片标签信息用txt文件保存，简而言之，三个模型的数据集都按照论文中生成
   数据集的方式生成。
2. 数据生成的方式同1；
   通过训练好的
   检测CNN_FacePoint、WILDER_Face的图片生成四类数据、
   则包含两者，一是通过训练好的
   检测CNN_FacePoint、WILDER_Face生成（同
   ，只不过最后缩放的尺寸为
   ），二是和将
   生成数据集的再通过训练好的
   筛选修正后生成。同样也是保存在硬盘，图片标签信息用txt文件保存。
3. 方法同2。不过是通过dataset.py中的
   类即时生成训练数据，而不保存。

第一个方法训练出来的模型无法很好找出人脸，后两者则可以训练出不错的效果。方法二生成的图片都很小，数量很大，而且txt文件也很巨大，管理起来很麻烦。方法三的话给CPU的负担比较大，训练速度不如二，毕竟是一边生成数据一边训练，可以采用DataLoader里多个线程（num_workers）生成数据弥补。

具体使用：

下载好CNN_FacePoint、WILDER_Face的数据集，将其路径和其它参数在create_dataset.py里配置好。

1. 在create_dataset.py中实现，已被注释掉，弃用。
2. 在create_dataset.py中实现，通过设置dataset_config或者编写.sh生成三类模型的训练数据。
3. 在dataset.py中的InplaceDataset类实现，需设置好create_dataset.py的dataset_config

训练模型:

在train.py中设置好训练参数以及训练数据的文件夹路径、txt文档路径（用命令行传入也可）后在项目文件夹中运行：

python train.py --trainnet *net_name*

，默认使用

类实时生成数据训练三种模型，也可在train函数中禁用，即设置

，那么就可以用上文方法二生成好保存在硬盘里的数据集进行训练。

测试：

在detector.py中测试：

python detector.py

可以看到测试图片上的检测效果：

目前没有训练得很好，还待优化。

目前发现有两个坑待填：

1. 如何按论文中说的一样，选取前70%的loss进行反向传播？
2. benchmark

欢迎关注个人微信公众号：

欢迎扫码关注~