人脸检测：史上最详细人脸检测libfacedetection讲解-模型训练--第一节本章节在这里就告一段落，接下来的第二章，我会分享Yunet网络的个人看法，感谢阅读，如果觉得还可以的话给博主一个赞就是对博主最大的支持～

62 阅读 0 评论 41 点赞

我是靠谱客的博主眯眯眼宝马，最近开发中收集的这篇文章主要介绍人脸检测：史上最详细人脸检测libfacedetection讲解-模型训练--第一节本章节在这里就告一段落，接下来的第二章，我会分享Yunet网络的个人看法，感谢阅读，如果觉得还可以的话给博主一个赞就是对博主最大的支持～，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

以下是关于我个人对libfacedetection（人脸检测-pytorch）的所有见解，如有错误欢迎大家在评论区指出，我将会第一时间纠正。据说，人脸检测速度可以达到1000FPS，到底结果如何，我们来一探究竟。

libfacedetection

github链接： https://github.com/ShiqiYu/libfacedetection
github（train）链接： https://github.com/ShiqiYu/libfacedetection.train

这里我们下载train的就行

训练数据集下载

链接: http://shuoyang1213.me/WIDERFACE/
这里我们还需要下载一个evaluation tools的工具，在github（train）里面有，大家可以打开里面进行下载。

数据集存放位置

$ tree data/widerface
data/widerface
├── wider_face_split
├── WIDER_test
├── WIDER_train
├── WIDER_val
└── trainset.j 在这里插入图片描述

环境搭建

1、首先我们在docker里面创建一个环境

conda create -n 03.libface-pytorch-1.7-python-3.8 -y python=3.8

-n 后面写的是创建的这个环境的名字，根据个人习惯而定，-y 后面写的则是该环境需要安装的python版本是多少。

2、查看创建好的环境

conda env list

3、进入环境

conda activate 03.libface-pytorch-1.7-python-3.8

4、根据自己所需版本安装对应的pytorch版本

pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 -f https://download.pytorch.org/whl/torch_stable.html

5、现在我们要根据github里面的requirements进行安装

pip install -r requirements.txt

重点（本人亲踩坑）：这里很多小伙伴可能安装不了nvidia-dlia这个库，这里提供安装命令。

Install via pip for CUDA 10.2:

pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/ nvidia-dali-cuda102==1.6.0
pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/ nvidia-dali-tf-plugin-cuda102==1.6.0

or for CUDA 11:

pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/ nvidia-dali-cuda110==1.6.0
pip install --extra-index-url https://developer.download.nvidia.com/compute/redist/ nvidia-dali-tf-plugin-cuda110==1.6.0

6、最重要的一点来了，我们在训练前，一定要先创建NMS MODEL，要不然各种报错，命令如下：

cd tools/widerface_eval
python setup.py build_ext --inplace

在这里环境的搭建也就结束了，过程有几个坑，希望为给的命令能帮助到大家。

模型训练

我们根据训练脚本里面所需要给的参数进行填写，一般只需要填写–config就行。
如果训练途中中断了，在重新训练前加入–resume 接着训即可。

--resume ./weights/last.pth

parser = argparse.ArgumentParser(description='Yunet Training')
parser.add_argument('--config', '-c', default='./config/yufacedet.yaml', type=str, help='config to train')
parser.add_argument('--tag', '-t', default=None, type=str, help='tag to mark train process')
parser.add_argument('--resume', type=int, default=0, help='resume epoch to start')

参数填写后，执行train.py：

python train.py -c ./config/yufacedet.yaml

看到如下图所示，训练成功！
在这里插入图片描述
模型保存位置：

如果我们想改变模型存放位置，在配置文件中改变train下面的workspace参数即可。

模型测试

现在我们用训练好的模型进行图片测试和视频测试。

python detect.py -c ./config/myfacedet.yaml -m weights/final.pth --target ./image/filename.jpg 
python detect.py -c ./config/yufacedet.yaml -m weights/yunet_final.pth --target ./video/111.mp4

在这里插入图片描述