AI 实战5 - pytorch框架实现face检测

简介

模型结构

CenterFace是一种人脸检测算法，采用轻量级网络mobileNetV2作为主干网络，结合特征金字塔网络（FPN）实现anchor free的人脸检测。

算法原理

CenterFace模型是一种基于单阶段人脸检测算法，作者借鉴了CenterNet的思想，将人脸检测转换为标准点问题，根据人脸中心点来回归人脸框的大小和五个标志点。

参数	说明
F	Feature Map
HM	人脸分类的HeatMap
Offset	人脸框中心点偏移
WH	人脸框宽，高
x_l,y_l	人脸框左上角点的x,y坐标
x_r,y_r	人脸框右下角点的x,y坐标
c	Confidence 置信度

环境

开发环境

1. GPU服务器：pytorch1.13.0，python3.10，cuda==11.7
2. nvidia-smi 查看 CUDA 版本
   3. 官网查看对应cuda版本的PyTorch，使用生成命令行安装
   3. 环境安装

conda create -n centerface python=3.7
conda activate centerface
pip3 install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple# 不安装cython报错，编译cocoAPI报错缺少 _mask.c
pip install -U cython -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install numba -i https://pypi.tuna.tsinghua.edu.cn/simplepip install -U 'setuptools>=18.0' -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -U 'matplotlib>=2.1.0' -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -U progress -i https://pypi.tuna.tsinghua.edu.cn/simple## 原因：不修改，训练出来的模型精度有影响
## 定位 torch.batch_norm行，将 torch.backends.cudnn.enabled 选项更改为False
## vim /data/miniconda/envs/centernet/lib/python3.7/site-packages/torch/nn/functional.py +1697## 安装cocoAPI
mkdir /data/coding/detect
COCOAPI=/data/coding/detect/cocoapi
git clone https://github.com/cocodataset/cocoapi.git $COCOAPI
cd $COCOAPI/PythonAPI
python setup.py install --user
make# 获取训练工程
CenterFace_ROOT=/data/coding/detect/centerface_pytorch
git clone http://developer.sourcefind.cn/codes/modelzoo/centerface_pytorch.git $CenterFace_ROOTcd $CenterFace_ROOT/src/lib/external/
python setup.py install --user
make# 编译NMS
# cd $CenterNet_ROOT/lib/nms
# make

SDK 环境

1. 参考http://developer.sourcefind.cn/codes/modelzoo/centerface_pytorch
2. 开源训练数据：http://shuoyang1213.me/WIDERFACE/

数据

wider_face 数据集解压后目录结构

├── wider_face:  存放数据集根目录
│   ├── WIDER_train: 训练集解压后的文件目录
│       └── images:
│           ├──  0--Parade:         对应该类别的所有图片
│           ├──  ........
│           └──  61--Street_Battle: 对应该类别的所有图片
│   ├── WIDER_val: 验证集解压后的文件目录
│       └──  images:
│           ├──  0--Parade:         对应该类别的所有图片
│           ├──  ........
│           └──  61--Street_Battle: 对应该类别的所有图片
│   ├── WIDER_test: 训练集解压后的文件目录
│       └──  images:
│           ├──  0--Parade:         对应该类别的所有图片
│           ├──  ........
│           └──  61--Street_Battle: 对应该类别的所有图片

wider_face 训练环境需要的目录结构

├── images
│   ├── train
│       ├── 0--Parade
│       ├──  ........
│       └──  61--Street_Battle
│   ├── val
│       ├── 0--Parade
│       ├──  ........
│       └──  61--Street_Battle
├── labels
│   ├── train_face.json
│   ├── val_face.json

标注格式转换

如果是txt文件标注，需要转换为json文件

├── datasets/annotations
│   ├── train
│       ├── train.txt
│   ├── val
│       ├── val.txtcd ./datasets
# 执行后会在./datasets/labels下生成训练数据的标注文件 train_face.json、val_face.json
python gen_data.py

训练

# 默认训练模型保存在./exp下，centerface_pytorch/src/lib/opts_pose.py +284 修改路径
# 单机单卡
bash ./src/train.sh# 单机多卡
bash ./src/train_multi.sh

测试

# 推理
python test_wider_face.py# calculate the accuracy
cd $project/evaluate
python3 setup.py build_ext --inplace
python evaluation.py==================== Results ====================
Easy   Val AP: 0.9264363225336171
Medium Val AP: 0.9132687399831261
Hard   Val AP: 0.7478828820065848
=================================================

WIDER_FACE验证集测试结果

参考

1. CenterFace_pytorch