dface

---

Dface •

Linux CPU	Linux GPU	Mac OS CPU	Windows CPU

Detecção de face de código aberto e livre. Baseado no MTCNN

Site oficial (https://dface.tech)

Também fornecemos um SDK de reconhecimento de face totalmente, contém rastreamento, detecção, reconhecimento de rosto, anti-spoofing e assim por diante. Consulte DFFE.TECH para obter detalhes.

O DFace é um software de código aberto para detecção e reconhecimento de rosto. Todos os recursos implementados pelo Pytorch (o Facebook Deeplearning Framework). Com o Pytorch, usamos uma técnica chamada diferenciação automática no modo reverso, que permite que o desenvolvedor altere a maneira como sua rede se comporta arbitrariamente com lag ou sobrecarga zero. DFFE herdou essas características avançadas, que a tornam dinâmica e facilitam a revisão do código.

A aceleração da GPU de suporte ao DFFE com a NVIDIA CUDA. É altamente recomendável que você use a versão GPU do Linux. É muito rápido e extremamente real.

Nossa inspiração vem de vários trabalhos de pesquisa sobre esse tópico, bem como trabalhos atuais e anteriores, como detecção e alinhamento de rosto conjunto usando redes convolucionais em cascata de várias tarefas e tópico de reconhecimento de rosto FaceNet: uma incorporação unificada para reconhecimento de rosto e agrupamento

Estrutura mtcnn

Se você deseja contribuir com o DFFE, revise o contribuindo.md no projeto. Utilizamos o Slack para rastrear solicitações e bugs. Além disso, você pode seguir o Grupo QQ 681403076 ou meu WeChat Jinkuaikuai005

TODO (contribua para o DFace)

• Com base na perda de cener ou na perda de trigêmeos, implemente o confuso FACE. O modelo recomendado é o INCECCIONAL V2 REMNET. Consulte este artigo e FaceNet
• Face anti-spoofing, distingue da luz do rosto e textura-recommendo com o algoritmo LBP e SVM.
• 3D máscara anti-spoofing.
• Mobile primeiro com Caffe2 e C ++.
• Migração Tensor RT.
• Suporte do Docker, versão da GPU

Instalação

DFFE possui dois principais módulos, detecção e reconhecimento. Nesses dois, fornecemos todos os tutoriais sobre como treinar um modelo e execução. Primeiro definindo um pytorch e cv2. Sugerimos a Anaconda para fazer um ambiente de Python virtual e independente. Se você deseja treinar na GPU, instale o Nvidia Cuda e o CUDNN.

Requisitos

• CUDA 8.0
• Anaconda
• Pytorch
• Torchvision
• cv2
• matplotlib

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

Também fornecemos uma lista de dependência do ambiente Anaconda chamada Environment.yml (Windows, use o ambiente WIN64.YML, MAC Environment_OSX.yaml) no caminho raiz. Você pode criar seu ambiente DFFE com muita facilidade.

 cd DFace

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

Adicione DFFE ao seu caminho Python local

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

Detecção e reconhecimento de rosto

Se você estiver interessado em treinar um modelo MTCNN, poderá seguir a próxima etapa.

Treine o modelo MTCNN

O MTCNN possui três redes chamadas PNET , RNET e ONET . Portanto, devemos treiná -lo em três estágios, e cada estágio depende da rede anterior, que gerará dados de trem para alimentar a rede de trem atual, também impulsiona a perda mínima entre duas redes. Faça o download dos conjuntos de dados do Train Face antes do seu treinamento. Utilizamos o rosto mais amplo e o rosto de celebridade. O arquivo de anotação de face mais amplo original é o formato MATLAB, você deve transformá -lo em texto. Coloquei o arquivo de texto de anotação transformada em ano_store/wider_origin_anno.txt. Este arquivo está relacionado ao seguinte parâmetro chamado --anno_file.

• Crie a pasta temporária dos dados do trem dface, esta pasta está envolvida no seguinte parâmetro - -dface_travindata_store

mkdir {your dface traindata folder}

• Gerar dados do trem PNET e arquivo de anotação

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}

• Montar o arquivo de anotação e embaralhar

python dface/prepare_data/assemble_pnet_imglist.py

• Trem modelo PNET

python dface/train_net/train_p_net.py

• Gerar dados de trem RNET e arquivo de anotação

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}

• Montar o arquivo de anotação e embaralhar

python dface/prepare_data/assemble_rnet_imglist.py

• Trem modelo RNET

python dface/train_net/train_r_net.py

• Gerar dados do trem Onet e arquivo de anotação

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}

• Gerar dados de marcos de trem Onet

python dface/prepare_data/gen_landmark_48.py

• Montar o arquivo de anotação e embaralhar

python dface/prepare_data/assemble_onet_imglist.py

• Treine o modelo Onet

python dface/train_net/train_o_net.py

Detecção de face de teste

Se você não quiser treinar, eu coloquei ONET_EPOCH.PT, PNET_EPOCH.PT, RNET_EPOCH.PT na pasta model_store.vó, basta experimentar test_image.py

python test_image.py

Demonstração

Qq 交流群

681403076

本人微信 (WeChat)

Cobbestne

Licença

Licença Apache 2.0

Referência

• Openface