FaceBoxes.PyTorch

Faceboxes en pytorch

Par Zisian Wong, Shifeng Zhang

Une implémentation Pytorch de FACEBOXES: un détecteur de visage en temps réel CPU avec une grande précision. Le code officiel de Caffe peut être trouvé ici.

Performance

Ensemble de données	Caffe d'origine	Implémentation de Pytorch
AFW	98,98%	98,55%
PASCAL	96,77%	97,05%
Fddb	95,90%	96,00%

Citation

Veuillez citer le document dans vos publications si cela aide vos recherches:

 @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}
}

Contenu

• Installation
• Entraînement
• Évaluation
• Références

Installation

1. Installez pytorch> = v1.0.0 suivant l'instruction officielle.

2. Cloner ce référentiel. Nous appellerons le répertoire cloné comme $FaceBoxes_ROOT .

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

3. Compilez le NMS:

./make.sh

Remarque: les codes sont basés sur Python 3+.

Entraînement

1. Téléchargez un ensemble de données plus large, placez les images sous ce répertoire:

 $FaceBoxes_ROOT /data/WIDER_FACE/images

2. Convertissez des annotations de visage plus larges au format COV ou téléchargez nos annotations converties, placez-les sous ce répertoire:

 $FaceBoxes_ROOT /data/WIDER_FACE/annotations

3. Former le modèle en utilisant un visage plus large:

 cd $FaceBoxes_ROOT /
python3 train.py

Si vous ne souhaitez pas former le modèle, vous pouvez télécharger notre modèle pré-formé et l'enregistrer dans $FaceBoxes_ROOT/weights .

Évaluation

1. Téléchargez les images de l'AFW, du visage Pascal et du FDDB pour:

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

2. Évaluez le modèle qualifié en utilisant:

 # 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. Téléchargez EVAL_TOOL pour évaluer les performances.

Références

• Libération officielle (CAFE)

• Un grand merci aux ports SSD à Pytorch qui ont été utiles:

  • ssd.pytorch, rfbnet

  Remarque: Si vous ne pouvez pas télécharger les annotations converties, les images fournies et le modèle formé via les liens ci-dessus, vous pouvez les télécharger via Baiduyun.