หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

dface •

Linux CPU Linux GPU Mac OS CPU Windows CPU

การตรวจจับใบหน้าฟรีและโอเพ่นซอร์ส ขึ้นอยู่กับ mtcnn

เว็บไซต์ทางการ (https://dface.tech)

นอกจากนี้เรายังให้การจดจำ SDK อย่างเต็มที่มีการติดตามการตรวจจับการจดจำใบหน้าการต่อต้านการตบใบหน้าและอื่น ๆ ดู dface.tech สำหรับรายละเอียด

DFACE เป็นซอฟต์แวร์โอเพ่นซอร์สสำหรับการตรวจจับใบหน้าและการรับรู้ คุณสมบัติทั้งหมดที่นำมาใช้โดย pytorch (เฟรมเวิร์ก Facebook deeplearning) ด้วย Pytorch เราใช้เทคนิคที่เรียกว่าการแยกอัตโนมัติโหมดย้อนกลับซึ่งช่วยให้นักพัฒนาเปลี่ยนวิธีการทำงานของเครือข่ายของคุณโดยพลการโดยไม่ได้เป็นศูนย์หรือค่าใช้จ่าย DFACE สืบทอดคุณลักษณะขั้นสูงเหล่านี้ซึ่งทำให้การตรวจสอบรหัสแบบไดนามิกและง่ายขึ้น

DFACE รองรับการเร่งความเร็ว GPU กับ Nvidia Cuda เราขอแนะนำให้คุณใช้เวอร์ชัน Linux GPU มันเร็วและเรียลไทม์มาก

แรงบันดาลใจของเรามาจากงานวิจัยหลายฉบับในหัวข้อนี้รวมถึงงานปัจจุบันและในอดีตเช่นการตรวจจับใบหน้าร่วมและการจัดตำแหน่งโดยใช้เครือข่าย convolutional แบบหลายแบบและหัวข้อการจดจำใบหน้า: การฝังแบบรวมสำหรับการจดจำใบหน้าและการจัดกลุ่ม

โครงสร้าง MTCNN

หากคุณต้องการมีส่วนร่วมใน DFACE โปรดตรวจสอบการสนับสนุน. MD ในโครงการเราใช้ Slack สำหรับการติดตามคำขอและข้อบกพร่อง นอกจากนี้คุณสามารถติดตามกลุ่ม QQ 681403076 หรือ Wechat Jinkuaikuai005 ของฉัน

TODO (มีส่วนร่วมใน DFACE)

  • ขึ้นอยู่กับการสูญเสียของ Cener หรือการสูญเสียแฝด Triplet ดำเนินการ conpare แบบจำลองที่แนะนำคือ Resnet Inception v2 อ้างอิงบทความนี้และ Facenet
  • ใบหน้าต่อต้านการตบ, แยกแยะความแตกต่างจากแสงใบหน้าและพื้นผิว recomend ด้วยอัลกอริทึม LBP และ SVM
  • 3D หน้ากากป้องกันการตบ
  • มือถือก่อนด้วย Caffe2 และ C ++
  • การย้ายถิ่นของ Tensor RT
  • รองรับ Docker, GPU เวอร์ชัน

การติดตั้ง

DFACE มีโมดูลที่สำคัญสองโมดูลการตรวจจับและการรับรู้ในสองนี้เราให้บริการแบบฝึกหัดทั้งหมดเกี่ยวกับวิธีการฝึกอบรมแบบจำลองและการวิ่ง การตั้งค่า Pytorch และ CV2 ครั้งแรก เราขอแนะนำให้ Anaconda สร้างสภาพแวดล้อมเสมือนจริงและเป็นอิสระ หากคุณต้องการฝึกอบรม GPU โปรดติดตั้ง Nvidia Cuda และ Cudnn

ความต้องการ

  • Cuda 8.0
  • อนาคอนดา
  • pytorch
  • คบเพลิง
  • CV2
  • matplotlib 
git clone https://github.com/kuaikuaikim/dface.git

นอกจากนี้เรายังมีรายการการพึ่งพาสภาพแวดล้อม Anaconda ที่เรียกว่า environment.yml (windows โปรดใช้ environment-win64.yml, mac environment_osx.yaml) ในเส้นทางรูท คุณสามารถสร้างสภาพแวดล้อม DFACE ของคุณได้อย่างง่ายดาย 

 cd DFace

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

เพิ่ม dface ไปยังเส้นทาง Python ในพื้นที่ของคุณ 

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

เผชิญกับความขุ่นเคืองและการรับรู้

หากคุณมีความสนใจในการฝึกอบรมโมเดล MTCNN คุณสามารถทำตามขั้นตอนต่อไป

รถไฟรุ่น MTCNN

MTCNN มีสามเครือข่ายที่เรียกว่า PNET , RNET และ ONET ดังนั้นเราควรฝึกอบรมในสามขั้นตอนและแต่ละขั้นตอนขึ้นอยู่กับเครือข่ายก่อนหน้านี้ซึ่งจะสร้างข้อมูลรถไฟเพื่อป้อนเครือข่ายรถไฟปัจจุบันและขับเคลื่อนการสูญเสียขั้นต่ำระหว่างสองเครือข่าย โปรดดาวน์โหลด ชุดข้อมูล Train Face ก่อนการฝึกอบรมของคุณ เราใช้ ใบหน้าที่กว้างขึ้น และ celeba . wider ใบหน้าใช้สำหรับการฝึกอบรมการจำแนกใบหน้าและกล่องขอบใบหน้าและ celeba ใช้สำหรับสถานที่สำคัญ ไฟล์คำอธิบายประกอบใบหน้าที่กว้างขึ้นเดิมคือรูปแบบ MATLAB คุณต้องแปลงเป็นข้อความ ฉันได้ใส่ไฟล์ข้อความคำอธิบายประกอบที่แปลงลงใน anno_store/wider_origin_anno.txt ไฟล์นี้เกี่ยวข้องกับพารามิเตอร์ต่อไปนี้ที่เรียกว่า -Anno_file

  • สร้างโฟลเดอร์ชั่วคราว DFACE Train Folder โฟลเดอร์นี้มีส่วนร่วมในพารามิเตอร์ต่อไปนี้ -DFACE_TRAINDATA_STORE 
mkdir {your dface traindata folder}
  • สร้างข้อมูลรถไฟ PNET และไฟล์คำอธิบายประกอบ 
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}
  • รวบรวมไฟล์คำอธิบายประกอบและสลับมัน 
python dface/prepare_data/assemble_pnet_imglist.py
  • รถไฟรุ่น PNET 
python dface/train_net/train_p_net.py
  • สร้างข้อมูลรถไฟ RNET และไฟล์คำอธิบายประกอบ 
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}
  • รวบรวมไฟล์คำอธิบายประกอบและสลับมัน 
python dface/prepare_data/assemble_rnet_imglist.py
  • รถไฟรุ่น RNET 
python dface/train_net/train_r_net.py
  • สร้างข้อมูลรถไฟและไฟล์คำอธิบายประกอบ ONET 
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}
  • สร้างข้อมูลสถานที่สำคัญของรถไฟ OneT 
python dface/prepare_data/gen_landmark_48.py
  • รวบรวมไฟล์คำอธิบายประกอบและสลับมัน 
python dface/prepare_data/assemble_onet_imglist.py
  • ฝึกอบรมโมเดล ONET 
python dface/train_net/train_o_net.py

ทดสอบการตรวจจับใบหน้า

หากคุณไม่ต้องการฝึกอบรมฉันได้ใส่ onet_epoch.pt, pnet_epoch.pt, rnet_epoch.pt ในโฟลเดอร์ model_store คุณเพียงแค่ลอง test_image.py 

python test_image.py

การสาธิต

qq 交流群

681403076

本人微信 (WeChat)

คอบเบสเตน

ใบอนุญาต

ใบอนุญาต Apache 2.0

อ้างอิง

  • การเปิดกว้าง
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด