Téléchargement dface - Téléchargement du code source dface

dface

Python

v0.5 version, code sensible

Télécharger

Dface •

`Linux CPU`	`Linux GPU`	`Mac OS CPU`	`Windows CPU`

Détection de visage libre et open source. Basé sur le mtcnn

Site officiel (https://dface.tech)

Nous fournissons également le SDK Reconnus Face, contient le suivi, la détection, la reconnaissance du visage, la lutte contre le visage et ainsi de suite. Voir dface.tech pour plus de détails.

DFACE est un logiciel open source pour la détection et la reconnaissance du visage. Toutes les fonctionnalités implémentées par le Pytorch (le framework Facebook Deeplearning). Avec Pytorch, nous utilisons une technique appelée auto-différenciation en mode inverse, qui permet au développeur de modifier la façon dont votre réseau se comporte arbitrairement avec un décalage ou des frais généraux zéro. DFACE hériter de ces caractéristiques avancées, qui le rendent dynamique et facilitent l'examen du code.

DFACE Soutenez l'accélération du GPU avec NVIDIA CUDA. Nous vous recommandons fortement d'utiliser la version GPU Linux. Il est très rapide et extrêmement en temps réel.

Notre inspiration provient de plusieurs articles de recherche sur ce sujet, ainsi que des travaux actuels et antérieurs tels que la détection et l'alignement conjoints en utilisant des réseaux convolutionnels en cascade multi-tâches et un sujet de reconnaissance faciale: une intégration unifiée pour la reconnaissance du visage et le regroupement

Structure mtcnn

Si vous souhaitez contribuer à DFACE, veuillez consulter le contribution.md dans le projet. Nous utilisons Slack pour suivre les demandes et les bogues. Vous pouvez également suivre le groupe QQ 681403076 ou mon WeChat Jinkuaikuai005

TODO (contribuer à Dface)

Sur la base de CEner Loss ou de la perte de triplet Implémentez le Face Conpare. Le modèle recommandé est Resnet Inception v2. Référer ce document et facenet
Face anti-usurage, distinguez-vous de la lumière du visage et de la texture。écome avec l'algorithme LBP et SVM.
Masque 3D anti-usurre.
Mobile d'abord avec Caffe2 et C ++.
Migration du tenseur RT.
Support Docker, version GPU

Installation

Dface a deux modules principaux, détection et reconnaissance. Définition d'abord d'un pytorch et de CV2. Nous suggérons à Anaconda de faire un environnement de python virtuel et indépendant. Si vous souhaitez vous entraîner sur GPU, veuillez installer Nvidia Cuda et Cudnn.

Exigences

CUDA 8.0
anaconda
pytorch
torchion
cv2
matplotlib

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

Nous fournissons également une liste de dépendances de l'environnement Anaconda appelée Environment.yml (Windows Veuillez utiliser l'environnement-win64.yml, mac environnement_osx.yaml) dans le chemin racine. Vous pouvez créer votre environnement DFACE très facilement.

 cd DFace

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

Ajoutez Dface à votre chemin Python local

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

Faire face à la détetion et à la reconnaissance

Si vous êtes intéressé par la façon de former un modèle MTCNN, vous pouvez suivre la prochaine étape.

Modèle Train MTCNN

MTCNN a trois réseaux appelés PNET , RNET et ONET . Nous devons donc le former à trois étapes, et chaque étape dépend du réseau précédent qui générera des données de train pour alimenter le filet de train actuel, propulse également la perte minimale entre deux réseaux. Veuillez télécharger les ensembles de données Face Face avant votre formation. Nous utilisons un visage plus large et celeba . Le visage avec le visage est utilisé pour la classification du visage et la boîte de délimitation du visage, la Celeba est également utilisée pour les repères du visage. Le fichier d'annotation de face plus large d'origine est le format MATLAB, vous devez le transformer en texte. J'ai mis le fichier texte d'annotation transformé en anno_store / wider_origin_anno.txt. Ce fichier est lié au paramètre suivant appelé --anno_file.

Créez le dossier temporaire des données de train DFace, ce dossier est impliqué dans le paramètre suivant --DACE_TRAINDATA_STORE

mkdir {your dface traindata folder}

Générer des données de train PNET et un fichier d'annotation

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}

Assembler le fichier d'annotation et le mélanger

python dface/prepare_data/assemble_pnet_imglist.py

Modèle de pnet de train

python dface/train_net/train_p_net.py

Générer des données de train RNET et un fichier d'annotation

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}

Assembler le fichier d'annotation et le mélanger

python dface/prepare_data/assemble_rnet_imglist.py

Modèle de train RNET

python dface/train_net/train_r_net.py

Générer des données de train Onet et un fichier d'annotation

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}

Générer des données de repère de train Onet

python dface/prepare_data/gen_landmark_48.py

Assembler le fichier d'annotation et le mélanger

python dface/prepare_data/assemble_onet_imglist.py

Modèle de train Onet

python dface/train_net/train_o_net.py

Testez la détection de la face

Si vous ne voulez pas vous entraîner, j'ai mis Onet_epoch.pt, pnet_epoch.pt, rnet_epoch.pt dans le dossier Model_Store. Vous essayez simplement test_image.py