dface

---

Dface •

Linux CPU	Linux GPU	Mac OS CPU	Windows CPU

Freie und Open -Source -Gesichtserkennung. Basierend auf dem MTCNN

Offizielle Website (https://dface.tech)

Wir liefern auch das vollständige Gesichtserkennung von SDK, enthält Verfolgung, Erkennung, Gesichtserkennung, Gesichts-Spoofing und so weiter. Weitere Informationen finden Sie unter dface.tech.

Dface ist eine Open -Source -Software zur Erkennung und Erkennung von Gesicht. Alle von The Pytorch (The Facebook DeepLearning Framework) implementierten Funktionen. Mit Pytorch verwenden wir eine Technik namens Reverse-Mode Auto-Differenzierung, mit der Entwickler die Art und Weise ändern kann, wie sich Ihr Netzwerk willkürlich ohne Verzögerung oder Overhead verhält. Dface erben diese erweiterten Merkmale, die es dynamisch machen und die Code -Überprüfung erleichtern.

Dface Support GPU -Beschleunigung mit Nvidia CUDA. Wir empfehlen Ihnen dringend, die Linux GPU -Version zu verwenden.

Unsere Inspiration stammt aus mehreren Forschungsarbeiten zu diesem Thema sowie aktuelle und früher

MTCNN -Struktur

Wenn Sie zu Dface beitragen möchten, überprüfen Sie bitte den Beitrag.md im Projekt. Wir verwenden Slack für die Verfolgung von Anforderungen und Fehler. Sie können auch die QQ Group 681403076 oder meinen Wechat Jinkuaikuai005 folgen

Todo (beitragen zu Dface)

• Basierend auf Cener -Verlust oder Triplett -Verlust implementieren Sie die Gesichtskonpare. Empfohlenes Modell ist Resnet Inception v2. Verweisen Sie dieses Papier und die Faceenet
• Gesicht Anti-Spoofing, unterscheiden sich von Gesichtslicht und Textur 。Recomend mit dem LBP-Algorithmus und SVM.
• 3D-Masken-Anti-Spoofing.
• Mobil zuerst mit Caffe2 und C ++.
• Tensor -RT -Migration.
• Docker -Unterstützung, GPU -Version

Installation

Dface verfügt über zwei Hauptmodul, Erkennung und Erkennung. In diesen beiden bieten wir alle Tutorials über das Training eines Modells und zum Laufen. Setzen Sie zuerst einen Pytorch und CV2. Wir empfehlen Anaconda, eine virtuelle und unabhängige Python -Umgebung zu erstellen. Wenn Sie an der GPU trainieren möchten, installieren Sie bitte Nvidia Cuda und Cudnn.

Anforderungen

• CUDA 8.0
• Anakonda
• Pytorch
• Torchvision
• CV2
• Matplotlib

git clone https://github.com/kuaikuaikim/dface.git

Außerdem bieten wir eine Anaconda-Umgebungs-Abhängigkeitsliste namens Environment.yml (Windows Bitte verwenden Sie Umgebungs-Win64.yml, mac Environment_osx.yaml) im Stammpfad. Sie können Ihre Dface -Umgebung sehr einfach erstellen.

 cd DFace

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

Fügen Sie Dface zu Ihrem lokalen Python -Pfad hinzu

 export PYTHONPATH= $PYTHONPATH :{your local DFace root path}

Gesichtsdetetion und Anerkennung

Wenn Sie daran interessiert sind, wie Sie ein MTCNN -Modell trainieren, können Sie den nächsten Schritt folgen.

Trainer MTCNN -Modell

MTCNN verfügt über drei Netzwerke, die PNET , RNET und ONET namens PNET, RNET und ONET haben. So sollten wir es auf drei Stufen trainieren, und jede Stufe hängt vom vorherigen Netzwerk ab, wodurch Zugdaten zum Fütterung des aktuellen Zugnetzes generiert werden und auch den Mindestverlust zwischen zwei Netzwerken anregen. Bitte laden Sie die Zuggesichtsdatensätze vor Ihrem Training herunter. Wir verwenden ein breiteres Gesicht und Celeba . Das Gesicht wird verwendet, um die Gesichtsklassifizierung und die Gesichtsgrenzen zu trainieren, auch Celeba wird für Gesichtsmarke verwendet. Die ursprüngliche Annotationsdatei mit der Annotation ist das Matlab -Format, Sie müssen sie in Text umwandeln. Ich habe die transformierte Annotationstextdatei in Anno_Store/wider_Origin_anno.txt eingegeben. Diese Datei bezieht sich auf den folgenden Parameter mit dem Namen –Anno_file.

• Erstellen des temporären Ordners Dface Train Data, dieser Ordner ist in den folgenden Parameter -Dface_TraineData_Store beteiligt

mkdir {your dface traindata folder}

• Generieren Sie PNET -Zugdaten- und Annotationsdatei

python dface/prepare_data/gen_Pnet_train_data.py --prefix_path {annotation file image prefix path, just your local wider face images folder} --dface_traindata_store  {dface train data temporary folder you made before }  --anno_file ｛wider face original combined  annotation file, default anno_store/wider_origin_anno.txt}

• Montieren Sie die Annotationsdatei zusammen und mischen Sie sie

python dface/prepare_data/assemble_pnet_imglist.py

• Train PNET -Modell

python dface/train_net/train_p_net.py

• Generieren Sie Rnet -Zugdaten- und Annotationsdatei

python dface/prepare_data/gen_Rnet_train_data.py --prefix_path {annotation file image prefix path, just your local wider face images folder} --dface_traindata_store {dface train data temporary folder you made before } --anno_file ｛wider face original combined  annotation file, default anno_store/wider_origin_anno.txt} --pmodel_file {your PNet model file trained before}

• Montieren Sie die Annotationsdatei zusammen und mischen Sie sie

python dface/prepare_data/assemble_rnet_imglist.py

• Zug -RNET -Modell

python dface/train_net/train_r_net.py

• Generieren Sie ONET -Zugdaten- und Annotationsdatei

python dface/prepare_data/gen_Onet_train_data.py --prefix_path {annotation file image prefix path, just your local wider face images folder} --dface_traindata_store {dface train data temporary folder you made before } --anno_file ｛wider face original combined  annotation file, default anno_store/wider_origin_anno.txt} --pmodel_file {your PNet model file trained before} --rmodel_file {your RNet model file trained before}

• Generieren Sie OneT -Zug -Landmarkendaten

python dface/prepare_data/gen_landmark_48.py

• Montieren Sie die Annotationsdatei zusammen und mischen Sie sie

python dface/prepare_data/assemble_onet_imglist.py

• Zug ein Onet -Modell

python dface/train_net/train_o_net.py

Erkennung von Testgesicht

Wenn Sie nicht trainieren möchten, habe ich onet_epoch.pt, pnet_epoch.pt, rnet_epoch.pt in model_store order gestellt.

python test_image.py

Demo

Qq 交流群

681403076

本人微信 (Wechat)

Cobbestne

Lizenz

Apache -Lizenz 2.0

Referenz

• OpenFace