dface

---

Dface •

Linux CPU	Linux GPU	Mac OS CPU	Windows CPU

Detección de cara libre y de código abierto. Basado en el MTCNN

Sitio web oficial (https://dface.tech)

También proporcionamos SDK de Reconocimiento de cara completa, contiene seguimiento, detección, reconocimiento de la cara, anti-bocas de la cara, etc. Consulte dface.tech para más detalles.

DFACE es un software de código abierto para detección y reconocimiento de cara. Todas las características implementadas por Pytorch (el marco de Facebook Deeplearning). Con Pytorch, utilizamos una técnica llamada diferenciación automática de modo inverso, que permite al desarrollador cambiar la forma en que su red se comporta arbitrariamente con cero retraso o sobrecarga. DFace herede estas características avanzadas, que lo hacen dinámico y facilita la revisión del código.

DFACE Support GPU Aceleración con NVIDIA CUDA. Recomendamos encarecidamente que use la versión GPU de Linux. Es muy rápido y extremadamente real.

Nuestra inspiración proviene de varios trabajos de investigación sobre este tema, así como los trabajos actuales y pasados, como la detección y la alineación de la cara conjunta, utilizando redes convolucionales de varias tareas y el tema de reconocimiento facial FACENET: una integración unificada para el reconocimiento y el agrupamiento

Estructura mtcnn

Si desea contribuir a DFACE, revise el contribuyente.md en el proyecto. Usamos Slack para rastrear solicitudes y errores. También puede seguir el Grupo QQ 681403076 o mi WeChat Jinkuaikuai005

TODO (contribuir a dface)

• Basado en la pérdida de Cener o la pérdida de triplete implementan la cara de Conpare. El modelo recomendado es el inicio de resnet v2. Consulte este documento y faceneta
• Anti-spoofing en la cara, distinga de la luz de la cara y la textura 。Recomend con el algoritmo LBP y SVM.
• Anti-especo de máscara 3D.
• Móvil primero con Caffe2 y C ++.
• Migración de tensor RT.
• Soporte de Docker, versión de GPU

Instalación

DFACE tiene dos módulos principales, detección y reconocimiento. En estos dos, proporcionamos todos los tutoriales sobre cómo entrenar un modelo y correr. Primero establecer un Pytorch y CV2. Sugerimos Anaconda que haga un entorno de Python virtual e independiente. Si desea entrenar en GPU, instale Nvidia Cuda y Cudnn.

Requisitos

• CUDA 8.0
• anaconda
• pytorch
• vía antorcha
• CV2
• mate

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

También proporcionamos una lista de dependencia del entorno de Anaconda llamada Environment.yml (Windows Utilice el entorno-Win64.yml, Mac Environment_osx.yaml) en la ruta de la raíz. Puede crear su entorno DFACE muy fácilmente.

 cd DFace

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

Agregue dface a su ruta local de Python

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

Detetión y reconocimiento de la cara

Si está interesado en cómo entrenar un modelo MTCNN, puede seguir el siguiente paso.

Modelo de tren MTCNN

MTCNN tiene tres redes llamadas PNET , RNET y ONET . Así que debemos entrenarlo en tres etapas, y cada etapa depende de la red anterior que generará datos de trenes para alimentar la red de tren actual, también impulsar la pérdida mínima entre dos redes. Descargue los conjuntos de datos de la cara del tren antes de su entrenamiento. Usamos cara más ancha y Celeba . Se utiliza la cara más amplia para entrenar la clasificación de la cara y la caja del límite de la cara, también Celeba se usa para puntos de referencia. El archivo de anotación facial más ancha original es el formato MATLAB, debe transformarlo en texto. He puesto el archivo de texto de anotación transformado en anno_store/wider_origin_anno.txt. Este archivo está relacionado con el siguiente parámetro llamado --anno_file.

• Cree la carpeta temporal de datos del tren DFace, esta carpeta está involucrada en el siguiente parámetro --dface_trainData_store

mkdir {your dface traindata folder}

• Generar datos de trenes PNET y archivo de anotación

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}

• Ensamblar el archivo de anotación y arrastrarlo

python dface/prepare_data/assemble_pnet_imglist.py

• Modelo de trenes PNET

python dface/train_net/train_p_net.py

• Generar datos de trenes RNET y archivo de anotación

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}

• Ensamblar el archivo de anotación y arrastrarlo

python dface/prepare_data/assemble_rnet_imglist.py

• Modelo de tren RNET

python dface/train_net/train_r_net.py

• Generar datos de trenes Onet y archivo de anotación

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}

• Generar datos de puntos de referencia de trenes ONET

python dface/prepare_data/gen_landmark_48.py

• Ensamblar el archivo de anotación y arrastrarlo

python dface/prepare_data/assemble_onet_imglist.py

• Modelo de Oneet de tren

python dface/train_net/train_o_net.py

Detección de cara de prueba

Si no desea entrenar, he puesto onet_epoch.pt, pnet_epoch.pt, rnet_epoch.pt en la carpeta model_store. Simplemente pruebe test_image.py

python test_image.py

Manifestación

QQ 交流群

681403076

本人微信 (WeChat)

cobbestne

Licencia

Licencia de Apache 2.0

Referencia

• Openface