Zepyhrus/mtcnn-pytorch

使用pytorch实现mtcnn的训练及预测，并用pytorch的c++ api实现了前向预测的功能化

mtcnn-pytorch

介绍

mtcnn用pytorch实现代码（从入门到工程化）

mtcnn实现了由粗到精的人脸检测框架，具有承上启下的意义。

mtcnn分为三个网络，网络模型都很小。原版论文里面的多任务有人脸检测、人脸目标框回归及人脸关键点回归。

这里做了简化，只做了人脸检测和人脸目标框回归。

在实现过程中，参考了：MTCNN_face_detection_alignment和MTCNN-Tensorflow

安装

1. wider face数据集，下载后放置到： ~/dataset/WIDER_FACE目录下，该目录下的目录为：

wider_face_split
WIDER_train
WIDER_val

2. python3(anaconda)
3. pytorchv1.0.0, lmdb, opencv, numpy, pylab
4. (c++) cmake, opencv

测试

python模型文件在 ${REPO}/scripts/models目录下

c++ 模型文件在 ${REPO}/cpp目录下

1， python预测

修改MTCNN.py 中的图片路径，即可进行测试。（SHOW_FIGURE=True，将会显示预测结果）

2, C++预测

修改 main.cpp中的图片路径及 pt模型文件的路径，即可进行测试

训练

cd到 scripts 目录下：

1. 制作pnet 样本： python data_gen/GeneratePNetData.py

2. 训练pnet： ~/anaconda3/bin/python train_pnet.py or python train_net.py --net_type PNET

3. 制作 rnet 样本： 编辑GenerateRONetData.py中的net_type及 Pnet的网络权重路径，将rnet和onet置为None。

~/anaconda3/bin/python data_gen/GenerateRONetData.py

4. 训练 rnet ~/anaconda3/bin/python train_rnet.py or python train_net.py --net_type RNET

5, 制作 onet 样本：

编辑GenerateRONetData.py中的net_type及 Pnet和rnet的网络权重路径，将onet置为None。

~/anaconda3/bin/python data_gen/GenerateRONetData.py

6， 训练 onet

~/anaconda3/bin/python train_onet.py

Validation

1. model: 20190624, min_face_size:20, threshold: [0.6, 0.7, 0.7], 71 seconds: Detect Missing False All 2488 78 153 2412 Precision: 0.9385 Recall: 0.9677 F1 score: 0.9529

2. model: 20190624, min_face_size: 20, threshold: [0.6, 0.8, 0.9], 55 seconds: Detect Missing False All 2373 124 84 2412 Precision: 0.9646 Recall: 0.9486 F1 score: 0.9565

3. model: 20181218, mfs: 20, threshold： [0.6, 0.8, 0.9], 58s: Detect Missing False All 2406 129 123 2412 Precision: 0.9489 Recall: 0.9465 F1 score: 0.9477

4. model: 20190624, min_face_size: 40, threshold: [0.6, 0.8, 0.9], 25 seconds: Detect Missing False All 2052 420 60 2412 Precision: 0.9708 Recall: 0.8259 F1 score: 0.8925

5. model: 20181218, mfs: 40, threshold： [0.6, 0.8, 0.9], 58s: Detect Missing False All 2057 435 80 2412 Precision: 0.9611 Recall: 0.8197 F1 score: 0.8848

6. model: 20190624, min_face_size: 40, threshold: [0.6, 0.95, 0.9], 25 seconds: Detect Missing False All 1968 475 31 2412 Precision: 0.9842 Recall: 0.8031 F1 score: 0.8845

7. model: 20190819, min_face_size: 40, threshold:[0.7, 0.8, 0.9] Detect Missing False All 2056 185 220 2022 Precision: 0.893 Recall: 0.9085 F1 score: 0.9007

8. model: 20190822 (.new2.pt), min_face_size: 40, threshold:[0.7, 0.8, 0.9] Detect Missing False All 2077 164 219 2022 Precision: 0.8946 Recall: 0.9189 F1 score: 0.9066

9. model: 20190822 (.new3.pt), min_face_size: 40, threshold:[0.7, 0.8, 0.9] Detect Missing False All 2046 178 202 2022 Precision: 0.9013 Recall: 0.912 F1 score: 0.9066