FaceBoxes.PyTorch

Faceboxes in Pytorch

Von Zisian Wong, Shifeng Zhang

Eine Pytorch-Implementierung von Faceboxen: Ein CPU-Echtzeit-Gesichtsdetektor mit hoher Genauigkeit. Der offizielle Code in Caffe finden Sie hier.

Leistung

Datensatz	Originalkaffe	Pytorch -Implementierung
Afw	98,98 %	98,55%
Pascal	96,77 %	97,05%
FDDB	95,90 %	96,00%

Zitat

Bitte zitieren Sie das Papier in Ihren Veröffentlichungen, wenn es Ihrer Forschung hilft:

 @inproceedings{zhang2017faceboxes,
  title = {Faceboxes: A CPU Real-time Face Detector with High Accuracy},
  author = {Zhang, Shifeng and Zhu, Xiangyu and Lei, Zhen and Shi, Hailin and Wang, Xiaobo and Li, Stan Z.},
  booktitle = {IJCB},
  year = {2017}
}

Inhalt

• Installation
• Ausbildung
• Auswertung
• Referenzen

Installation

1. Installieren Sie Pytorch> = v1.0.0 nach offizieller Anweisung.

2. Klonen Sie dieses Repository. Wir werden das geklonte Verzeichnis als $FaceBoxes_ROOT anrufen.

git clone https://github.com/zisianw/FaceBoxes.PyTorch.git

3. Kompilieren Sie die NMS:

./make.sh

Hinweis: Die Codes basieren auf Python 3+.

Ausbildung

1. Download breiteres Gesichtsdatensatz und platzieren Sie die Bilder in dieses Verzeichnis:

 $FaceBoxes_ROOT /data/WIDER_FACE/images

2. Konvertieren Sie breitere Gesichtsanmerkungen in das VOC -Format oder laden Sie unsere konvertierten Anmerkungen herunter und legen Sie sie in dieses Verzeichnis:

 $FaceBoxes_ROOT /data/WIDER_FACE/annotations

3. Trainieren Sie das Modell mit breiterem Gesicht:

 cd $FaceBoxes_ROOT /
python3 train.py

Wenn Sie das Modell nicht trainieren möchten, können Sie unser vorgebildetes Modell herunterladen und es in $FaceBoxes_ROOT/weights speichern.

Auswertung

1. Laden Sie die Bilder von AFW, Pascal Face und FDDB herunter zu:

 $FaceBoxes_ROOT /data/AFW/images/
$FaceBoxes_ROOT /data/PASCAL/images/
$FaceBoxes_ROOT /data/FDDB/images/

2. Bewerten Sie das ausgebildete Modell mit:

 # dataset choices = ['AFW', 'PASCAL', 'FDDB']
python3 test.py --dataset FDDB
# evaluate using cpu
python3 test.py --cpu
# visualize detection results
python3 test.py -s --vis_thres 0.3

3. Laden Sie Eval_tool herunter, um die Leistung zu bewerten.

Referenzen

• Offizielle Veröffentlichung (Kaffe)

• Ein großes Dankeschön an SSD -Ports in Pytorch, die hilfreich waren:

  • ssd.pytorch, rfbnet

  Hinweis: Wenn Sie die konvertierten Anmerkungen, die bereitgestellten Bilder und das geschulte Modell nicht über die oben genannten Links herunterladen können, können Sie sie über Baiduyun herunterladen.