针对大脸检测效果不好? models: Mb_Tiny_FD_train_input_320.pth about ultra-light-fast-generic-face-detector-1mb HOT 8 CLOSED

from ultra-light-fast-generic-face-detector-1mb.

输入可以设置成320或者更小试下。

from ultra-light-fast-generic-face-detector-1mb.

输入可以设置成320或者更小试下。
非常感谢！设置为320完全没问题！

from ultra-light-fast-generic-face-detector-1mb.

你好，请问您出来的结果稳定吗？我现在训练的结果测试图片容易丢帧和回归效果不准确的情况。 @Belinda-great @Linzaer

from ultra-light-fast-generic-face-detector-1mb.

@summerwbb 网络类型？训练输入大小？和提供的预训练模型效果差别大吗？测试时输入多大？如果测试图片人脸很多很小的话，适当减小候选框数值保证有效人脸。

from ultra-light-fast-generic-face-detector-1mb.

我使用的RFB网络训练了一个人头检测模型（使用train_mb_tiny_RFB_fd.sh脚本，只改变了数据），训练和测试输入大小是640，测试时候选框改成了150个，是普通的电影素材。多数是不超过5个。请问我的loss应该降低到大概多少才是收敛了.

from ultra-light-fast-generic-face-detector-1mb.

我也同时训练了320 版本，感觉640更适合我的场景。

from ultra-light-fast-generic-face-detector-1mb.

用smooth_l1_loss，320x240训练人脸，200epochs最后大概稳定在2.84左右，640x480大概稳定在2.57左右，仅供参考。你数据集图片数有多少？很大可能和数据集数量和质量有关。你也可以尝试修改下预处理阶段的流程，比如加入Expand方法，扩张原图加强小目标能力，也可以略微修改randomcrop里的纵横比和交并比增强检测大目标能力。当然你也可以略微重复一两个不影响featuremap尺度的block加强网络主干。

from ultra-light-fast-generic-face-detector-1mb.