Retinaface：人脸检测模型在Pytorch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-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。

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_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%

所需环境

pytorch==1.2.0

文件下载

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

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_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
}

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!')

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。

 = {
    "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
}

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