Skip to content

Latest commit

 

History

History
137 lines (85 loc) · 4.74 KB

README_zh.md

File metadata and controls

137 lines (85 loc) · 4.74 KB
Raw

DFace • License gitter

Linux CPU Linux GPU Mac OS CPU Windows CPU
Build Status Build Status Build Status Build Status

基于多任务卷积网络(MTCNN)和Center-Loss的多人实时人脸检测和人脸识别系统。

DFace 是个开源的深度学习人脸检测和人脸识别系统。所有功能都采用　pytorch　框架开发。pytorch是一个由facebook开发的深度学习框架，它包含了一些比较有趣的高级特性，例如自动求导，动态构图等。DFace天然的继承了这些优点，使得它的训练过程可以更加简单方便，并且实现的代码可以更加清晰易懂。 DFace可以利用CUDA来支持GPU加速模式。我们建议尝试linux GPU这种模式，它几乎可以实现实时的效果。 所有的灵感都来源于学术界最近的一些研究成果，例如　Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks 和 FaceNet: A Unified Embedding for Face Recognition and Clustering

MTCNN 结构　　

mtcnn

如果你对DFace感兴趣并且想参与到这个项目中, 请查看目录下的　CONTRIBUTING.md　文档，它会实时展示一些需要＠ＴＯＤＯ的清单。我会用 issues 来跟踪和反馈所有的问题.

安装

DFace主要有两大模块，人脸检测和人脸识别。我会提供所有模型训练和运行的详细步骤。你首先需要构建一个pytorch和cv2的python环境，我推荐使用Anaconda来设置一个独立的虚拟环境。

依赖

  • cuda 8.0
  • anaconda
  • pytorch
  • torchvision
  • cv2
  • matplotlib

在这里我提供了一个anaconda的环境依赖文件environment.yml，它能方便你构建自己的虚拟环境。

conda env create -f path/to/environment.yml

人脸检测

如果你对mtcnn模型感兴趣，以下过程可能会帮助到你。

训练mtcnn模型

MTCNN主要有三个网络，叫做PNet, RNet 和 ONet。因此我们的训练过程也需要分三步先后进行。为了更好的实现效果，当前被训练的网络都将依赖于上一个训练好的网络来生成数据。所有的人脸数据集都来自　WIDER FACE 和 CelebA。WIDER FACE仅提供了大量的人脸边框定位数据，而CelebA包含了人脸关键点定位数据。

  • 生成PNet训练数据和标注文件
python src/prepare_data/gen_Pnet_train_data.py --dataset_path {your dataset path} --anno_file {your dataset original annotation path}
  • 乱序合并标注文件
python src/prepare_data/assemble_pnet_imglist.py
  • 训练PNet模型
python src/train_net/train_p_net.py
  • 生成ＲNet训练数据和标注文件
python src/prepare_data/gen_Rnet_train_data.py --dataset_path {your dataset path} --anno_file {your dataset original annotation path} --pmodel_file {yout PNet model file trained before}
  • 乱序合并标注文件
python src/prepare_data/assemble_rnet_imglist.py
  • 训练RNet模型
python src/train_net/train_r_net.py
  • 生成ONet训练数据和标注文件
python src/prepare_data/gen_Onet_train_data.py --dataset_path {your dataset path} --anno_file {your dataset original annotation path} --pmodel_file {yout PNet model file trained before} --rmodel_file {yout RNet model file trained before}
  • 生成ONet的人脸关键点训练数据和标注文件
python src/prepare_data/gen_landmark_48.py
  • 乱序合并标注文件(包括人脸关键点)
python src/prepare_data/assemble_onet_imglist.py
  • 训练ONet模型
python src/train_net/train_o_net.py

测试人脸检测

python test_image.py

人脸识别

TODO

##　测试效果

mtcnn

License

Apache License 2.0

Reference