walkupup / mtcnn_pytorch

MTCNN_Pytorch Codes Adapted from https://github.com/wujiyang/MTCNN_TRAIN

人脸检测

---

实验目的

1. 理解和掌握基于神经网络的人脸检测方法的理论基础知识。
2. 理解MTCNN人脸检测的基本流程，并加以实践。

实验环境

anaconda3 pytorch 0.4.1 torchvision opencv-python等。

实验步骤

一、获取代码

实验完整代码mtcnn_pytorch，可直接下载或是通过git clone命令下载。

git clone https://github.com/xiezheng-cs/mtcnn_pytorch.git

二、实验环境安装

1. 确保本机或是服务器已安装好anaconda3环境；
2. pip或conda安装pytorch 0.4.1 和 torchvision环境；
3. pip或conda安装opencv-python环境；

pip install http://download.pytorch.org/whl/cpu/torch-0.4.1-cp36-cp36m-win_amd64.whl     # Windows
pip install http://download.pytorch.org/whl/cpu/torch-0.4.1-cp36-cp36m-linux_x86_64.whl  # Linux
pip install torchvision
pip install opencv-python

三、简单测试给定模型

直接使用我们训练好的网络模型在给定的测试数据集(位于mtcnn_pytorch/data/test_images/目录下,共64张测试图片)，运行以下命令，即可在mtcnn_pytorch/data/you_result/目录下查看检测结果。

cd mtcnn_pytorch/
python test_image.py

四、训练步骤

1. 准备好训练数据，包括 wider face 和 TCDCN两个数据集，前者用来训练人脸框，后者用来训练关键点。
2. 依次训练pnet, rnet, onet. 先运行preprocessing目录下的gen_pnet_data.py，它会生成许多12x12大小的训练样本图像。
3. 运行assemble_pnet_imglist.py，它会生成训练图像列表和标签。
4. 运行training/pnet目录下train.py，开始训练，默认训练50个epoch
5. 与2-4步相同，完成rnet和onet的训练。
6. 看看自己训练的模型的效果。tools/test_detect.py 脚本里有三处load_state_dict 的调用，把它替换成自己训练的模型，参考上面注释掉的那一行写法。

有几个需要修改的地方： 代码根目录下config.py，ROOT_DIR 修改为你自己的代码根目录的绝对路径。 training目录下 pnet,rnet,onet三个目录下分别有train.py，把里面的os.chdir那一行的路径改为你的代码根目录。

---