FaceBoxes.PyTorch

pytorch的麵包箱

Zisian Wong，Shifeng Zhang

麵包箱的Pytorch實現：CPU實時面部檢測器的精度很高。 Caffe中的官方代碼可以在此處找到。

表現

數據集	原始咖啡餅	Pytorch實施
afw	98.98％	98.55％
帕斯卡	96.77％	97.05％
FDDB	95.90％	96.00％

引用

如果有助於您的研究，請在您的出版物中引用論文：

 @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}
}

內容

• 安裝
• 訓練
• 評估
• 參考

安裝

1. 按照官方說明，安裝pytorch> = v1.0.0。

2. 克隆這個存儲庫。我們將克隆目錄稱為$FaceBoxes_ROOT 。

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

3. 編譯NMS：

./make.sh

注意：代碼基於Python 3+。

訓練

1. 下載更寬的面部數據集，將圖像放在此目錄下：

 $FaceBoxes_ROOT /data/WIDER_FACE/images

2. 將更寬的面部註釋轉換為VOC格式或下載我們的轉換後註釋，將其放在此目錄下：

 $FaceBoxes_ROOT /data/WIDER_FACE/annotations

3. 使用較寬的臉訓練模型：

 cd $FaceBoxes_ROOT /
python3 train.py

如果您不想訓練該模型，則可以下載我們的預訓練型號並將其保存在$FaceBoxes_ROOT/weights中。

評估

1. 將AFW，Pascal Face和FDDB的圖像下載到：

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

2. 使用以下方式評估訓練的模型：

 # 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. 下載eval_tool以評估性能。

參考

• 官方發行（Caffe）

• 非常感謝Pytorch的SSD端口，這很有幫助：

  • ssd.pytorch，rfbnet

  注意：如果您無法通過上述鏈接下載轉換後的註釋，提供的圖像和經過訓練的模型，則可以通過Baiduyun下載它們。