FaceBoxes.PyTorch

Cajas de fieltro en Pytorch

Por Zisian Wong, Shifeng Zhang

Una implementación de Pytorch de boxes faciales: un detector facial de CPU en tiempo real con alta precisión. El código oficial en Caffe se puede encontrar aquí.

Actuación

Conjunto de datos	Caffe original	Implementación de Pytorch
AFW	98.98 %	98.55%
PASCAL	96.77 %	97.05%
FDDB	95.90 %	96.00%

Citación

Cite el documento en sus publicaciones si ayuda a su investigación:

 @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}
}

Contenido

• Instalación
• Capacitación
• Evaluación
• Referencias

Instalación

1. Instale pytorch> = v1.0.0 después de la instrucción oficial.

2. Clon este repositorio. Llamaremos al directorio clonado como $FaceBoxes_ROOT .

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

3. Compilar el NMS:

./make.sh

Nota: Los códigos se basan en Python 3+.

Capacitación

1. Descargue el conjunto de datos de cara más ancha, coloque las imágenes en este directorio:

 $FaceBoxes_ROOT /data/WIDER_FACE/images

2. Convierta anotaciones faciales más amplias en formato VOC o descargue nuestras anotaciones convertidas, colóquelas en este directorio:

 $FaceBoxes_ROOT /data/WIDER_FACE/annotations

3. Entrena el modelo con cara más ancha:

 cd $FaceBoxes_ROOT /
python3 train.py

Si no desea entrenar el modelo, puede descargar nuestro modelo previamente capacitado y guardarlo en $FaceBoxes_ROOT/weights .

Evaluación

1. Descargue las imágenes de AFW, Pascal Face y FDDB a:

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

2. Evaluar el modelo capacitado utilizando:

 # 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. Descargue eval_tool para evaluar el rendimiento.

Referencias

• Lanzamiento oficial (Caffe)

• Un gran agradecimiento a los puertos SSD en Pytorch que han sido útiles:

  • ssd.pytorch, rfbnet

  Nota: Si no puede descargar las anotaciones convertidas, las imágenes proporcionadas y el modelo capacitado a través de los enlaces anteriores, puede descargarlas a través de Baiduyun.