人脸属性识别之一

1. 数据集   UTKface  包含23708张图像，图片格式是1_0_0_20161219140623097.jpg.chip.jpg，年龄_性别_种族。
2. 年龄分布0-126采用回归。
3. 性别男、女采用二分类。
4. 种族是0到4之间的整数，表示白人、黑人、亚洲人、印度人和其他人（如西班牙裔、拉丁美洲人、中东人），采用多分类。
5. 测试代码：

import torch
import cv2,os,time
import numpy as np
from torchvision import transforms, utils
# 检查是否可以利用GPU
train_on_gpu = torch.cuda.is_available()
if not train_on_gpu:
    print('CUDA is not available.')
else:
    print('CUDA is available!')
transform = transforms.Compose([transforms.ToTensor(),
                                             transforms.Normalize(mean=[0.5, 0.5, 0.5],
                                                                  std=[0.5, 0.5, 0.5]),
                                             transforms.Resize((64, 64))
                                             ])
model=torch.load("age_gender_model.pt",map_location='cuda')
src_img = cv2.imread("38_1_4_20170109003326675.jpg.chip.jpg")
img = transform(src_img)
img = img.unsqueeze(0)
age_out, gender_out, race_out = model(img.cuda())
age = int(age_out.cpu().detach().numpy()[0][0] * 116)
gender = np.argmax(gender_out.cpu().detach().numpy())
race = np.argmax(race_out.cpu().detach().numpy())
face_attr={"age":age,
      "gender":["male","female"],
      "race":["White","Black","Asian","Indian","Others"]
      }

cv2.putText(src_img, "age: {0}".format(face_attr["age"]), (5,10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)
cv2.putText(src_img, "gender: {0}".format(face_attr["gender"][gender]), (5,25), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255,0), 1)
cv2.putText(src_img, "race: {0}".format(face_attr["race"][race]), (5,40), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1)
cv2.imshow("face_attr",src_img)
cv2.imwrite("face_attr.jpg",src_img)
cv2.waitKey(0)

1. 测试展示： 

                                                      

测试图片  1_1_0_20170109192245647.jpg.chip.jpg

测试结果   年龄、性别、种族正确。 

 测试图片          38_1_4_20170109003326675.jpg.chip.jpg

 测试结果    年龄有点浮动，性别、种族预测准确。

测试图片 24_1_2_20170116173414881.jpg.chip.jpg 

 测试结果   年龄、性别、种族正确。 

测试图片    30_0_3_20170119195832412.jpg.chip.jpg

 测试结果    年龄有点浮动，性别、种族预测准确。

 总结：年龄是0-126的回归，预测值会有所浮动，但可以设置一个区间，少年、青年、中年、老人等，效果会更好。