MTCNN算法Github程序复现流程文档

素颜马尾好姑娘i 2022-05-18 09:24 160阅读 0赞

# 0.前言 #

在这里将MTCNN程序复现一遍，这个Github程序的README是有问题的，程序也有一些问题，我也是仅仅将他的算法训练完毕，由于小白一个，只看了MTCNN的论文，里面有大量的先验论文与知识，对整体的网络实现以及代码还是有些懵懂，算是熟悉了跑模型的流程，其他知识待补充。  
复现程序地址：[点击打开][Link 1]

# 1.准备工作 #

*  需要有与CUDA兼容的GPU来训练模型。
 *  应该首先下载[WIDER Face][]和[landmark dataset][]前者用于训练人脸检测，后者用于训练landmark检测。

# 2.依赖的版本 #

*  Tensorflow 1.2.1
 *  TF-Slim
 *  Python 2.7
 *  Ubuntu 16.04
 *  Cuda 8.0

# 3.数据处理以及训练流程 #

1.  下载Wider Face 数据集，将里面的WIDER\_train.zip解压到 prepare\_data文件并且更名为WIDER\_train
2.  下载“1.准备工作”中的landmark数据集，将landmark\_train.zip数据集解压到prepare\_data中
3.  运行prepare\_data/gen\_12net\_data.py来为PNet生成人脸检测的训练数据集
4.  运行gen\_landmark\_aug\_12.py来为PNet生成人脸特征点的训练数据集
5.  运行gen\_imglist\_pnet.py来合并两部分数据
6.  运行gen\_PNet\_tfrecords.py来生成PNet的tfrecords文件
7.  运行 train\_models/train\_PNet.py训练PNet，训练完PNet之后运行gen\_hard\_example来为RNet生成人脸检测部分的训练数据（论文中提到的损失值前70%的样本），这里会出错，详细为“Key fc1/alphas not found in checkpoint ”，具体解决方案如下：  
    
    
     *  找到train\_models/mtcnn\_model.py，找到第186行与第232行，将 activation\_fn = prelu删掉即可。
     *  同时找到main函数里，具体是215行，将网络改成相应的网络。
8.  运行 gen\_landmark\_aug\_24.py来为RNet生成人脸特征点的训练数据
9.  运行 gen\_imglist\_rnet.py来合并两部分训练数据
10. 运行 gen\_RNet\_tfrecords.py来生成RNet的tfrecords，值得注意的是，这个程序需要运行四次，每次都要更改一些参数来生成neg,pos,part, landmark的tfrecords.具体如下：  
    修改gen\_RNet\_tfrecords.py 和 gen\_ONet\_tfrecords.py里相应的函数修改为下面的代码：

def get_dataset(dir, net):
        #item = 'imglists/PNet/train_%s_raw.txt' % net
        #item = 'imglists/PNet/train_%s_landmark.txt' % net
        #------运行四次时，依次取消下面的注释---------
        #item = '%s/landmark_%s_aug.txt' % (net,net) #if you want to generate landmark_landmark tfrecord,uncomment this line.
        #item = '%s/pos_%s.txt' % (net,net) #if you want to generate pos_landmark tfrecord,uncomment this line.
        #item = '%s/neg_%s.txt' % (net,net) #if you want to generate neg_landmark tfrecord,uncomment this line.
        item = '%s/part_%s.txt' % (net,net) #if you want to generate part_landmark tfrecord,uncomment this line.
    def get_output_filename(output_dir, name, net):
        #st = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
        #return '%s/%s%s_%s.tfrecord' % (output_dir, name, net, st)
        #return '%s/train_PNet_landmark.tfrecord' % (output_dir)
        #------运行四次时，依次取消下面的注释---------
        #return '%s/landmark_landmark.tfrecord' % (output_dir) #if you want to generate landmark_landmark tfrecord,uncomment this line.
        #return '%s/pos_landmark.tfrecord' % (output_dir) #if you want to generate pos_landmark tfrecord,uncomment this line.
        #return '%s/neg_landmark.tfrecord' % (output_dir) #if you want to generate neg_landmark tfrecord,uncomment this line.
        return '%s/part_landmark.tfrecord' % (output_dir) #if you want to generate part_landmark tfrecord,uncomment this line.

1.  运行 train\_models/train\_RNet.py训练RNet，训练完PNet之后运行gen\_hard\_example来为ONet生成人脸检测部分的训练数据
2.  运行gen\_landmark\_aug\_48.py来为ONet生成人脸特征点检测的训练数据
3.  运行gen\_imglist\_onet.py合并这两部分数据
4.  运行gen\_ONet\_tfrecords.py来生成ONet的tfrecords，同样还是按照上述方法跑四次。
5.  运行 train\_models/train\_ONet.py训练ONet，大功告成。

[Link 1]: https://github.com/AITTSMD/MTCNN-Tensorflow
[WIDER Face]: http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/
[landmark dataset]: http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm