Juruobudong/retinaface-tf2-1

这是一个retinaface-tf2的源码，可以用于训练自己的模型。

Retinaface：人脸检测模型在Tensorflow2当中的实现

---

目录

1. 性能情况 Performance
2. 注意事项 Attention
3. 所需环境 Environment
4. 文件下载 Download
5. 预测步骤 How2predict
6. 训练步骤 How2train
7. 评估步骤 Eval
8. 参考资料 Reference

性能情况

训练数据集	权值文件名称	测试数据集	输入图片大小	Easy	Medium	Hard
Widerface-Train	retinaface_mobilenet025.h5	Widerface-Val	1280x1280	88.94%	86.76%	73.83%
Widerface-Train	retinaface_resnet50.h5	Widerface-Val	1280x1280	94.69%	93.08%	84.31%

注意事项

本库下载过来可以直接进行预测，已经在model_data文件夹下存放了retinaface_mobilenet025.h5文件，可用于预测。
如果想要使用基于resnet50的retinaface请下载retinaface_resnet50.h5进行预测。

所需环境

tensorflow-gpu==2.2.0

文件下载

训练所需的retinaface_resnet50.h5、resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5等文件可以在百度云下载。
链接: https://pan.baidu.com/s/1nzWYRzAr_sXJY_-wUWYUNw 提取码: dngi

数据集可以在如下连接里下载。
链接: https://pan.baidu.com/s/1LIYlK5sVx4qsK9tvEuJ4cw 提取码: 2yvx

预测步骤

a、使用预训练权重

1. 下载完库后解压，运行predict.py，输入

img/timg.jpg

2. 利用video.py可进行摄像头检测。

b、使用自己训练的权重

1. 按照训练步骤训练。
2. 在retinaface.py文件里面，在如下部分修改model_path和backbone使其对应训练好的文件。

_defaults = {
    "model_path"        : 'model_data/retinaface_mobilenet025.h5',
    "backbone"          : 'mobilenet',
    "confidence"        : 0.5,
    "nms_iou"           : 0.45,
    #----------------------------------------------------------------------#
    #   是否需要进行图像大小限制。
    #   开启后，会将输入图像的大小限制为input_shape。否则使用原图进行预测。
    #   keras代码中主干为mobilenet时存在小bug，当输入图像的宽高不为32的倍数
    #   会导致检测结果偏差，主干为resnet50不存在此问题。
    #----------------------------------------------------------------------#
    "input_shape"       : [1280, 1280, 3],
    "letterbox_image"   : True
}

3. 运行predict.py，输入

img/timg.jpg

4. 利用video.py可进行摄像头检测。

训练步骤

1. 本文使用widerface数据集进行训练。
2. 可通过上述百度网盘下载widerface数据集。
3. 覆盖根目录下的data文件夹。
4. 根据自己需要选择从头开始训练还是在已经训练好的权重下训练，需要修改train.py文件下的代码，在训练时需要注意backbone和权重文件的对应。 使用mobilenet为主干特征提取网络的示例如下：
   从头开始训练：

#-------------------------------#
#   创立模型
#-------------------------------#
model = RetinaFace(cfg, backbone=backbone)
model_path = "model_data/mobilenet_2_5_224_tf_no_top.h5"
model.load_weights(model_path,by_name=True,skip_mismatch=True)

在已经训练好的权重下训练：

#-------------------------------#
#   创立模型
#-------------------------------#
model = RetinaFace(cfg, backbone=backbone)
model_path = "model_data/retinaface_mobilenet025.h5"
model.load_weights(model_path,by_name=True,skip_mismatch=True)

5. 可以在logs文件夹里面获得训练好的权值文件。

评估步骤

1. 在retinaface.py文件里面，在如下部分修改model_path和backbone使其对应训练好的文件。

_defaults = {
    "model_path"        : 'model_data/retinaface_mobilenet025.h5',
    "backbone"          : 'mobilenet',
    "confidence"        : 0.5,
    "nms_iou"           : 0.45,
    #----------------------------------------------------------------------#
    #   是否需要进行图像大小限制。
    #   开启后，会将输入图像的大小限制为input_shape。否则使用原图进行预测。
    #   keras代码中主干为mobilenet时存在小bug，当输入图像的宽高不为32的倍数
    #   会导致检测结果偏差，主干为resnet50不存在此问题。
    #----------------------------------------------------------------------#
    "input_shape"       : [1280, 1280, 3],
    "letterbox_image"   : True
}

2. 下载好百度网盘上上传的数据集，其中包括了验证集，解压在根目录下。
3. 运行evaluation.py即可开始评估。

Reference

https://github.com/biubug6/Pytorch_Retinaface