FaceBoxes.PyTorch

Caixas face em Pytorch

Por Zisian Wong, Shifeng Zhang

Uma implementação Pytorch de caixas de face: um detector de rosto em tempo real da CPU com alta precisão. O código oficial em Caffe pode ser encontrado aqui.

Desempenho

Conjunto de dados	Caffe original	Implementação de Pytorch
AFW	98,98 %	98,55%
Pascal	96,77 %	97,05%
Fddb	95,90 %	96,00%

Citação

Cite o artigo em suas publicações se isso ajudar sua pesquisa:

 @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}
}

Conteúdo

• Instalação
• Treinamento
• Avaliação
• Referências

Instalação

1. Instale o pytorch> = v1.0.0 seguindo a instrução oficial.

2. Clone este repositório. Chamaremos o diretório clonado como $FaceBoxes_ROOT .

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

3. Compilar o NMS:

./make.sh

Nota: Os códigos são baseados no Python 3+.

Treinamento

1. Faça o download do conjunto de dados de rosto mais amplo, coloque as imagens neste diretório:

 $FaceBoxes_ROOT /data/WIDER_FACE/images

2. Converter anotações mais amplas para o formato VOC ou baixar nossas anotações convertidas, coloque -as sob este diretório:

 $FaceBoxes_ROOT /data/WIDER_FACE/annotations

3. Treine o modelo usando o rosto mais amplo:

 cd $FaceBoxes_ROOT /
python3 train.py

Se você não deseja treinar o modelo, pode fazer o download do nosso modelo pré-treinado e salvá-lo em $FaceBoxes_ROOT/weights .

Avaliação

1. Baixe as imagens da AFW, Pascal Face e FDDB para:

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

2. Avalie o modelo treinado usando:

 # 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. Faça o download do Eval_tool para avaliar o desempenho.

Referências

• Lançamento oficial (Caffe)

• Um enorme agradecimento às portas SSD em Pytorch que foram úteis:

  • ssd.pytorch, rfbnet

  Nota: Se você não puder baixar as anotações convertidas, as imagens fornecidas e o modelo treinado através dos links acima, poderá baixá -las através do Baiduyun.