- 仓库更新 Top News
- 性能情况 Performance
- 所需环境 Environment
- 文件下载 Download
- 预测步骤 How2predict
- 训练步骤 How2train
- 评估步骤 Eval
- 参考资料 Reference
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-tf2/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。
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% |
本库下载过来可以直接进行预测,已经在model_data文件夹下存放了retinaface_mobilenet025.h5文件,可用于预测。
如果想要使用基于resnet50的retinaface请下载retinaface_resnet50.h5进行预测。
tensorflow-gpu==2.2.0
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/1wnAP2AHdpJEP7AhPoO5H2w 提取码: j6wq
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
- 下载完库后解压,运行predict.py,输入
img/timg.jpg
- 在predict.py里面进行设置可以进行fps测试和video视频检测。
- 按照训练步骤训练。
- 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
}
- 运行predict.py,输入
img/timg.jpg
- 在predict.py里面进行设置可以进行fps测试和video视频检测。
- 本文使用widerface数据集进行训练。
- 可通过上述百度网盘下载widerface数据集。
- 覆盖根目录下的data文件夹。
- 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)
- 可以在logs文件夹里面获得训练好的权值文件。
- 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
}
- 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。
- 运行evaluation.py即可开始评估。