目录
– data_split.sh 划分训练集、验证集、测试集
– train_faster_rcnn.py 训练Faster R-CNN模型所用代码
– evaluate_faster_rcnn.py 测试Faster R-CNN模型所用代码
– faster_rcnn_utils 训练、测试Faster R-CNN的依赖
– train_retinanet.py 训练retinanet 模型所用的代码
– evaluate_retinanet.py 训练retinanet 模型所用的代码
– retinanet 训练、测试retinanet的依赖
– voc2coco.py 进行数据格式的转换，用于retinanet测试
– train_yolo.py 训练yolov3 模型所用的代码
– evaluate_yolo.py 测试yolov3 模型所用的代码
– yolo_utils 训练、测试yolov3的依赖
– config yolov3的模型定义
运行代码所需的软件环境和软件版本
-
操作系统：CentOS Linux 7
-
python3：推荐使用anaconda版本的python，其中已包含numpy等常用工具包。安装过程请参考https://www.anaconda.com/products/individual
-
torch 1.3版本: conda install pytorch=1.3.0 -c pytorch
-
torchvision: conda install torchvision -c pytorch
-
tqdm: 用于查看训练及测试进度 conda install -c conda-forge tqdm
-
matplotlib: 绘图工具，用于进行可视化 conda install matplotlib
下载原始训练测试数据和整理数据的命令
原始训练测试数据下载：
下载并解压后，使用./data_split.sh完成训练、开发、测试集的划分。
Retinanet 模型下载与评测
下载链接
https://cloud.tsinghua.edu.cn/f/c207ce51863841249616/?dl=1
执行命令
wget -c https://cloud.tsinghua.edu.cn/f/c207ce51863841249616/?dl=1
mv index.html?dl=1 model_final.pt
python voc2coco.py test/Annotations ./test/annotation.json
python evaluate_retinanet.py预期结果
face mAP @ 0.5: 0.8181818181818182
face mask mAP @ 0.5: 1.0
face mAP @ 0.7: 0.8181818181818182
face mask mAP @ 0.7: 1.0
face mAP @ 0.9: 0.45454545454545453
face mask mAP @ 0.9: 0.303030303030303
face mean mAP @[.5:.95] : 0.6954545454545454
face mask mean mAP @[.5:.95]: 0.743030303030303
reference
https://github.com/eriklindernoren/PyTorch-YOLOv3
https://github.com/yhenon/pytorch-retinanet
https://github.com/AIZOOTech/FaceMaskDetection