CenterFace
论文
CenterFace: Joint Face Detection and Alignment Using Face as Point
模型结构
CenterFace是一种人脸检测算法,采用了轻量级网络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 |
环境配置
Docker(方法一)
-v 路径、docker_name和imageID根据实际情况修改
docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:1.13.1-centos7.6-dtk-23.04-py38-latest
docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
cd /your_code_path/centerface_pytorch/
pip3 install -r requirements.txt
Dockerfile(方法二)
-v 路径、docker_name和imageID根据实际情况修改
cd ./docker
cp ../requirements.txt requirements.txt
docker build --no-cache -t centerface:latest .
docker run -it -v /path/your_code_data/:/path/your_code_data/ --shm-size=32G --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name docker_name imageID bash
Anaconda(方法三)
1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装: https://developer.hpccube.com/tool/
DTK软件栈:dtk23.04
python:python3.8
torch:1.13.1
torchvision:0.14.1
Tips:以上dtk驱动、python、paddle等DCU相关工具版本需要严格一一对应
2、其他非特殊库直接按照requirements.txt安装
pip3 install -r requirements.txt
数据集
WIDER_FACE:WIDER FACE: A Face Detection Benchmark
下载图片红框中三个数据并解压,也可直接点击下面链接直接下载:
WIDER Face Training Images(Tencent Drive)
WIDER Face Validation Images(Tencent Drive)
WIDER Face Testing Images(Tencent Drive)
数据集全部解压后的目录结构如下:
├── 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
解压完成后执行以下步骤:
- 将训练图片放置于 ./datasets/images/train的目录下,验证数据放置于./datasets/images/val目录下,存放目录结如下
├── images
│ ├── train
│ ├── 0--Parade
│ ├── ........
│ └── 61--Street_Battle
│ ├── val
│ ├── 0--Parade
│ ├── ........
│ └── 61--Street_Battle
- 如果是使用WIDER_train、WIDER_val数据, 可直接将./datasets/labels/下的train_wider_face.json重命名为train_face.json, val_wider_face.json重命名为val_face.json即可,无需进行标注文件格式转换; 反之,需要将训练图片/验证图片对应的人脸标注信息文件train.txt/val.txt,放置于 ./datasets/annotations/下(train存放训练图片的标注文件,val存放验证图片的标注文件),存放目录结构如下:
├── annotations
│ ├── train
│ ├── train.txt
│ ├── val
│ ├── val.txt
特别地,标注信息的格式为:
# img_file/image_name # #+空格+img_file/image_name
x, y, w, h, left_eye_x, left_eye_y, flag, right_eye_x, right_eye_y, flag, nose_x, nose_y, flag, left_mouth_x, left_mouth_y, flag, right_mouth_x, right_mouth_y, flag, confidence # x和y是检测框左上角的坐标
举个例子: ./datasets/annotations/train/train.txt是wider_face训练数据集的标注信息
# 0--Parade/0_Parade_marchingband_1_849.jpg
449 330 122 149 488.906 373.643 0.0 542.089 376.442 0.0 515.031 412.83 0.0 485.174 425.893 0.0 538.357 431.491 0.0 0.82
...
- 生成训练所需的json格式标注数据:
cd ./datasets
python gen_data.py
执行完成后会在./datasets/labels下生成训练数据的标注文件 train_face.json、val_face.json
训练
默认训练模型保存在./exp/下,如需修改为自己的路径,可以对centerface_pytorch/src/lib/opts_pose.py的284行进行修改
单机单卡
cd ./src
bash train.sh
单机多卡
cd ./src
bash train_multi.sh
推理
单卡推理
cd lib/external/
bash make.sh
cd ../../
python test_wider_face.py
result
精度
WIDER_FACE验证集上的测试结果如下
Method | Easy(AP) | Medium(AP) | Hard(AP) |
---|---|---|---|
ours(one scale) | 0.9264 | 0.9133 | 0.7479 |
original | 0.922 | 0.911 | 0.782 |
应用场景
算法类别
人脸识别
热点应用行业
教育,交通,公安,医疗
源码仓库及问题反馈
ModelZoo / CenterFace_pytorch · GitLab
参考资料
CenterFace是一种人脸检测算法,采用了轻量级网络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。