Retinaface：人脸检测模型在Keras当中的实现

---

目录

1. 仓库更新 Top News
2. 性能情况 Performance
3. 所需环境 Environment
4. 文件下载 Download
5. 预测步骤 How2predict
6. 训练步骤 How2train
7. 评估步骤 Eval
8. 参考资料 Reference

Top News

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-keras/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。

性能情况

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_mobilenet025.h5	Widerface-Val	1280x1280	88.94%	86.76%	73.83%
Widerface-Train	retinaface_resnet50.h5	Widerface-Val	1280x1280	94.69%	93.08%	84.31%

所需环境

tensorflow-gpu==1.13.1
keras==2.1.5

文件下载

训练所需的retinaface_resnet50.h5、resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5等文件可以在百度云下载。
链接: https://pan.baidu.com/s/1iiIqjlrtpvMjh_s2RsjSag 提取码: dru9

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

预测步骤

a、使用预训练权重

1. 下载完库后解压，运行predict.py，输入

img/timg.jpg

2. 在predict.py里面进行设置可以进行fps测试和video视频检测。

b、使用自己训练的权重

1. 按照训练步骤训练。
2. 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_mobilenet025.h5',
    "backbone"          : 'mobilenet',
    "confidence"        : 0.5,
    "nms_iou"           : 0.45,
    #----------------------------------------------------------------------#
    #   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。
    #   keras代码中主干为mobilenet时存在小bug，当输入图像的宽高不为32的倍数
    #   会导致检测结果偏差，主干为resnet50不存在此问题。
    #----------------------------------------------------------------------#
    "input_shape"       : [1280, 1280, 3],
    "letterbox_image"   : True
}

3. 运行predict.py，输入

img/timg.jpg

4. 在predict.py里面进行设置可以进行fps测试和video视频检测。

训练步骤

1. 本文使用widerface数据集进行训练。
2. 可通过上述百度网盘下载widerface数据集。
3. 覆盖根目录下的data文件夹。
4. 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：

#-------------------------------#
#   创立模型
#-------------------------------#
model = RetinaFace(cfg, backbone=backbone)
model_path = "model_data/mobilenet_2_5_224_tf_no_top.h5"
model.load_weights(model_path,by_name=True,skip_mismatch=True)

在已经训练好的权重下训练：

#-------------------------------#
#   创立模型
#-------------------------------#
model = RetinaFace(cfg, backbone=backbone)
model_path = "model_data/retinaface_mobilenet025.h5"
model.load_weights(model_path,by_name=True,skip_mismatch=True)

5. 可以在logs文件夹里面获得训练好的权值文件。

评估步骤

1. 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_mobilenet025.h5',
    "backbone"          : 'mobilenet',
    "confidence"        : 0.5,
    "nms_iou"           : 0.45,
    #----------------------------------------------------------------------#
    #   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。
    #   keras代码中主干为mobilenet时存在小bug，当输入图像的宽高不为32的倍数
    #   会导致检测结果偏差，主干为resnet50不存在此问题。
    #----------------------------------------------------------------------#
    "input_shape"       : [1280, 1280, 3],
    "letterbox_image"   : True
}

2. 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。
3. 运行evaluation.py即可开始评估。

Reference

https://github.com/biubug6/Pytorch_Retinaface