依赖环境

需要安装opencv、numpy、tqdm

1
2
3
pip install opencv-python
pip install numpy
pip install tqdm #显示处理进度

参考代码
https://github.com/LeslieZhoa/tensorflow-MTCNN

使用流程

  1. 手动下载数据，并解压到data目录

    1. 下载用于人脸检测的训练数据：WIDER_train

    2. 下载用于人脸对齐的训练数据：lfw_5590&net_7876

      WIDER_train的数量标注，阈值比较宽，尽可能多的将人脸标注，甚至遮挡很多的也被标注了

  2. 数据预处理
  3. 生成tfrecords数据
  4. 执行训练

PNet训练步骤

  1. 使用“python gen_12net_data.py”命令，对WIDER_train下的图片进行处理，生成3种图片，大小均调整为12x12：

    • 正样本，截取图片中的人脸区域，生成坐标文件，产生约40万张
    • 负样本，截取图片中的非人脸区域，生成坐标文件，产生约100万张图片
    • 部分样本，截图图片中包含部分人脸区域，生成坐标文件，产生约100万张图片
  2. 使用“python gen_landmark_aug.py 12”命令，对lfw_5590&net_7876下的图片进行处理，生成landmark图片，大小也调整为12x12，截图图片中的人脸区域，生成人脸对齐点的坐标文件，产生约17万张图片
  3. 使用”python gen_imglist_pnet.py“命令，从上述4种数据中按比例提取数据（步骤1中的3处数据比例为1:3:1，步骤2种的数据取全部），生成新的坐标文件
  4. 使用”python gen_tfrecords.py 12“命令，按照步骤3中生成的文件，提取图片，生成tfrecord数据
  5. 使用”python train.py 12 “命令，使用tfrecord数据进行训练

RNet训练步骤

  1. 使用“python gen_hard_example.py 12”命令，

制作PNnet tfrecord文件新方法

默认的方法会产生大量的中间文件，导致大量IO操作，生成文件的速度非常慢，因此设计一种新的方法：

  1. 从人脸框标签（或者叫坐标）文件(wider_face_train.txt)中获取数据
  2. 使用随机方法，生成正样本、负样本、部分人脸样本3种数据样本，以变量的形式保存在内存中
  3. 从人脸对齐标签文件（trainImageList.txt）中获取数据，截取人脸，将数据追加到步骤2的变量中
  4. 使用前面步骤产生的类变量，从image中提取数据
  5. 将变量中的坐标在归一化处理
  6. 将变量随机打乱

  7. 将变量的数据转成tfrecord格式，存入文件

人脸数据集

https://github.com/polarisZhao/awesome-face