- 仓库更新 Top News
- 性能情况 Performance
- 所需环境 Environment
- 文件下载 Download
- 预测步骤 How2predict
- 训练步骤 How2train
- 评估步骤 Eval
- 参考资料 Reference
2022-03:进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整。
BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/retinaface-pytorch/tree/bilibili
2020-09:仓库创建，支持模型训练，大量的注释，多个主干的选择，多个可调整参数。
| 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_mobilenet0.25.pth | Widerface-Val | 1280x1280 | 89.76% | 86.96% | 74.69% |
| Widerface-Train | Retinaface_resnet50.pth | Widerface-Val | 1280x1280 | 94.72% | 93.13% | 84.48% |
pytorch==1.2.0
训练所需的Retinaface_resnet50.pth等文件可以在百度云下载。
链接: https://pan.baidu.com/s/1Jt9Bo2UVP03bmEMuUpk_9Q 提取码: qknw
数据集可以在如下连接里下载。
链接: https://pan.baidu.com/s/1bsgay9iMihPlAKE49aWNTA 提取码: bhee
- 下载完库后解压，运行predict.py，输入
img/timg.jpg- 在predict.py里面进行设置可以进行fps测试和video视频检测。
- 按照训练步骤训练。
- 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_mobilenet0.25.pth',
"backbone" : 'mobilenet',
"confidence" : 0.5,
"nms_iou" : 0.45,
"cuda" : True,
#----------------------------------------------------------------------#
# 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。
# 可根据输入图像的大小自行调整input_shape，注意为32的倍数，如[640, 640, 3]
#----------------------------------------------------------------------#
"input_shape" : [1280, 1280, 3],
"letterbox_image" : True
}- 运行predict.py，输入
img/timg.jpg- 在predict.py里面进行设置可以进行fps测试和video视频检测。
- 本文使用widerface数据集进行训练。
- 可通过上述百度网盘下载widerface数据集。
- 覆盖根目录下的data文件夹。
- 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：
从头开始训练需要将pretrained设置为True，并且注释train.py里面的权值载入部分：
backbone = "mobilenet"
#-------------------------------#
# 是否使用主干特征提取网络
# 的预训练权重
#-------------------------------#
pretrained = True
model = RetinaFace(cfg=cfg, pretrained = pretrained).train()在已经训练好的权重下训练：
backbone = "mobilenet"
#-------------------------------------------#
# 权值文件的下载请看README
# 权值和主干特征提取网络一定要对应
#-------------------------------------------#
model = RetinaFace(cfg=cfg, pretrained = pretrained).train()
model_path = "model_data/Retinaface_mobilenet0.25.pth"
# 加快模型训练的效率
print('Loading weights into state dict...')
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model_dict = model.state_dict()
pretrained_dict = torch.load(model_path, map_location=device)
pretrained_dict = {k: v for k, v in pretrained_dict.items() if np.shape(model_dict[k]) == np.shape(v)}
model_dict.update(pretrained_dict)
model.load_state_dict(model_dict)
print('Finished!')- 可以在logs文件夹里面获得训练好的权值文件。
- 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。
= {
"model_path" : 'model_data/Retinaface_mobilenet0.25.pth',
"backbone" : 'mobilenet',
"confidence" : 0.5,
"nms_iou" : 0.45,
"cuda" : True,
#----------------------------------------------------------------------#
# 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。
# 可根据输入图像的大小自行调整input_shape，注意为32的倍数，如[640, 640, 3]
#----------------------------------------------------------------------#
"input_shape" : [1280, 1280, 3],
"letterbox_image" : True
}- 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。
- 运行evaluation.py即可开始评估。
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent