Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
You can not select more than 25 topics
Topics must start with a chinese character,a letter or number, can include dashes ('-') and can be up to 35 characters long.
deng
eec58ab77a
|
4 months ago | |
|---|---|---|
| resnet | 1 year ago | |
| scripts | 1 year ago | |
| src | 1 year ago | |
| README.md | 4 months ago | |
| eval.py | 1 year ago | |
| train.py | 1 year ago | |
README.md
目录
RetianFace描述
RetianFace是一种单级人脸检测器，这里基于ResNet50骨干网络对WIDER FACE数据集进行人脸检测，可以做到对各种尺度条件下的人脸像素级别的定位。
论文 ：Jiankang Deng, Jia Guo, Yuxiang Zhou, Jinke Yu, Irene Kotsia, Stefanos Zafeiriou. "RetinaFace: Single-stage Dense Face Localisation in the Wild". 2019.
模型架构
RetianFace的总体网络架构如下：链接
预训练ResNet50
这里的RetinaFace使用ResNet50作为骨干网络来提取图像特征进行检测，需要先在ImageNet2012数据集上训练ResNet50得到预训练模型。在resnet文件夹下进行。
# 训练示例
bash run_standalone_train.sh resnet50 imagenet2012 [DATASET_PATH]
# 分布式训练示例
bash run_distribute_train.sh resnet50 imagenet2012 [RANK_TABLE_FILE] [DATASET_PATH]
# 评估示例
bash run_eval.sh resnet50 imagenet2012 [DATASET_PATH] [CHECKPOINT_PATH]
数据集
使用的数据集：WIDERFACE
获取数据集：
- 数据集大小：3.42G，32203张彩色图像
- 训练集：1.36G，12800张图像
- 验证集：345.95M，3226张图像
- 测试集：1.72G，16177张图像
环境要求
- 硬件（Ascend）
- 使用Ascend来搭建硬件环境。
- 框架
- 如需查看详情，请参见如下资源：
快速入门
通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：
-
Ascend处理器环境运行
# 运行训练示例，将./src/config.py中的'nnpu'设置成1，然后 python train.py > train.log 2>&1 & # 运行分布式训练示例，将./src/config.py中的'nnpu'设置成8，然后 bash ./scripts/run_distribute_ms_train.sh hccl_ms.json # 运行评估示例，设置./src/config.py中的'val_model'，然后 python eval.py > ./eval.log 2>&1 &对于分布式训练，需要提前创建JSON格式的hccl配置文件。
请遵循以下链接中的说明：
https://gitee.com/mindspore/mindspore/tree/master/model_zoo/utils/hccl_tools.
脚本说明
脚本及样例代码
├── model_zoo
├── README.md // 所有模型相关说明
├── RetianFace
├── README_CN.md // RetianFace相关说明
├── resnet // 预训练ResNet50模型所需的文件
├── scripts
│ ├──run_distribute_ms_train.sh // 分布式到Ascend的shell脚本
├── src
│ ├──augmemtation.py // 数据增强
│ ├──config.py // 参数配置
│ ├──dataset.py // 创建数据集
│ ├──loss.py // 损失函数
│ ├──lr_schedule.py // 学习率衰减策略
│ ├──network.py // RetianFace架构
│ ├──utils.py // 数据预处理
├── eval.py // 评估脚本
├── train.py // 训练脚本
脚本参数
在config.py中可以同时配置训练参数和评估参数。
-
配置RetianFace和WIDER FACE数据集。
'device_target': 'Ascend', # 处理器环境 'device_id': 0, # Ascend单卡训练时选择的卡号 'variance': [0.1, 0.2], # 方差 'clip': False, # 裁剪 'loc_weight': 2.0, # Bbox回归损失权重 'class_weight': 1.0, # 置信度/类回归损失权重 'landm_weight': 1.0, # 地标回归损失权重 'batch_size': 8, # 训练批次大小 'num_workers': 16, # 数据集加载数据的线程数量 'num_anchor': 29126, # 矩形框数量，取决于图片大小 'nnpu': 8, # 并行训练的NPU数量 'image_size': 840, # 训练图像大小 'match_thresh': 0.35, # 匹配框阈值 'optim': 'sgd', # 优化器类型 'momentum': 0.9, # 优化器动量 'weight_decay': 1e-4, # 优化器权重衰减 'loss_scale': 1, # 优化器损失等级 'epoch': 50, # 训练轮次数量 'lr_type': 'dynamic_lr', # 学习率衰减策略 'initial_lr': 0.04, # 初始学习率 'decay1': 15, # 首次权重衰减的轮次数 'decay2': 30, # 二次权重衰减的轮次数 'warmup_epoch': -1, # 热身大小，-1表示无热身 'gamma': 0.1, # 学习率衰减比 'ckpt_path': './checkpoint/', # 模型保存路径 'keep_checkpoint_max': 5, # 预留检查点数量 'resume_net': None, # 重启网络，默认为None 'training_dataset': '', # 训练数据集标签路径，如data/widerface/train/label.txt 'pretrain': True, # 是否基于预训练骨干进行训练 'pretrain_path': './resnet/resnet-90_625.ckpt', # 预训练的骨干ResNet50检查点路径 # 验证 'val_model': './checkpoint/ckpt_0/RetinaFace-50_201.ckpt', # 验证模型路径 'val_dataset_folder': './data/widerface/val/', # 验证数据集路径 'val_origin_size': False, # 是否使用全尺寸验证 'val_confidence_threshold': 0.02, # 验证置信度阈值 'val_nms_threshold': 0.4, # 验证NMS阈值 'val_iou_threshold': 0.5, # 验证IOU阈值 'val_save_result': False, # 是否保存结果 'val_predict_save_folder': './widerface_result', # 结果保存路径 'val_gt_dir': './data/widerface/ground_truth/', # 验证集ground_truth路径
更多配置细节请参考脚本config.py。
训练过程
训练
-
Ascend处理器环境运行
python train.py > train.log 2>&1 &
分布式训练
-
Ascend处理器环境运行
bash ./scripts/run_distribute_ms_train.sh hccl_ms.json上述shell脚本将在后台运行分布训练。
评估过程
评估
-
在Ascend环境运行时评估WIDER FACE数据集
设置./src/config.py中的'val_model'，然后
python eval.py > ./eval.log 2>&1 &
模型描述
性能
评估性能
WIDER FACE上的RetianFace
| 参数 | Ascend |
|---|---|
| 模型版本 | RetianFace_ResNet50 |
| 资源 | Ascend 910 |
| 上传日期 | 2021-07-31 |
| MindSpore版本 | 1.2.0 |
| 数据集 | WIDER FACE |
| 训练参数 | epoch=50, batch_size=8, lr_init=0.04（八卡并行训练） |
| 优化器 | SGD |
| 损失函数 | MultiBoxLoss + Softmax交叉熵 |
| 输出 | 边界框 + 置信度 + 地标 |
| 准确率 | 八卡：Easy：94.10%, Medium：93.17%, Hard：88.84% |
| 速度 | 八卡：430毫秒/步 |
| 总时长 | 八卡：1.2小时/50轮 |
ModelZoo主页
请浏览官网主页。
