FaceBoxes.PyTorch

Pytorchのフェイスボックス

Zisian Wong、Shifeng Zhang

フェイスボックスのPytorch実装：高精度のCPUリアルタイムフェイス検出器。 Caffeの公式コードはここにあります。

パフォーマンス

データセット	オリジナルのカフェ	Pytorchの実装
Afw	98.98％	98.55％
パスカル	96.77％	97.05％
FDDB	95.90％	96.00％

引用

出版物があなたの研究に役立つなら、あなたの出版物の論文を引用してください：

 @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}
}

コンテンツ

• インストール
• トレーニング
• 評価
• 参照

インストール

1. 公式指導に続いて、pytorch> = v1.0.0をインストールします。

2. このリポジトリをクローンします。クローン化されたディレクトリを$FaceBoxes_ROOTと呼びます。

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

3. NMSをコンパイルします：

./make.sh

注：コードはPython 3+に基づいています。

トレーニング

1. より広いフェイスデータセットをダウンロードし、このディレクトリの下に画像を配置します。

 $FaceBoxes_ROOT /data/WIDER_FACE/images

2. より広い顔の注釈をVOC形式に変換するか、変換された注釈をダウンロードして、このディレクトリの下に配置します。

 $FaceBoxes_ROOT /data/WIDER_FACE/annotations

3. より広い顔を使用してモデルをトレーニングします：

 cd $FaceBoxes_ROOT /
python3 train.py

モデルをトレーニングしたくない場合は、事前に訓練されたモデルをダウンロードして、 $FaceBoxes_ROOT/weightsに保存できます。

評価

1. AFW、Pascal Face、FDDBの画像を以下にダウンロードしてください。

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

2. 使用して訓練されたモデルを評価します。

 # 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. eval_toolをダウンロードして、パフォーマンスを評価します。

参照

• 公式リリース（カフェ）

• PytorchのSSDポートに感謝します。

  • ssd.pytorch、rfbnet

  注：変換された注釈、提供された画像、および訓練されたモデルを上記のリンクからダウンロードできない場合は、Baiduyunからダウンロードできます。