最近剛入門caffe，跟著視頻做了一個簡單人臉檢測。包括人臉二分類模型+方框框出人臉。

人臉二分類模型

1. 收集數(shù)據

我用的是lfw數(shù)據集，總共有13233張人臉圖片。非人臉數(shù)據有兩種選擇。1. 用完全不是人臉的圖片；2. 用與人臉重疊比例較小的圖片。我用的是動物的圖片作為負樣本。負樣本數(shù)據集。

2. 制作LMDB數(shù)據源(caffe非常支持的常用于分類的數(shù)據源)

首先需要寫兩個txt文檔。train.txt 和 val.txt

主要保存的是圖片的路徑、名稱、label。

形如：train.txt

0/xxx.jpg 0

1/xxx.jpg 1

val.txt

0/xxx.jpg 0

1/xxx.jpg 1

其中0文件夾表示正樣本(人臉)、1文件夾表示負樣本(非人臉)

如果是多分類，文件夾名稱也是從0開始

生成txt文本的python代碼(linux和Windows下的代碼有點不同)：

linux版。jupyter notebook作為編譯器

import os

#定義Caffe根目錄

caffe_root = '/home/z/work/face_detect/'

#制作訓練標簽數(shù)據

i = 0 #標簽

with open(caffe_root + 'train.txt', 'w') as train_txt:for root, dirs, files in os.walk(caffe_root + 'train/'): #遍歷文件夾

for dir indirs:for root, dirs, files in os.walk(caffe_root + 'train/' + str(dir)): #遍歷每一個文件夾中的文件

for file infiles:

image_file= str(dir) + '/' +str(file)

label= image_file + ' ' + str(i) + '\n' #文件路徑+空格+標簽編號+換行

train_txt.writelines(label) #寫入標簽文件中

i += 1 #編號加1

#制作測試標簽數(shù)據

i = 0 #標簽

with open(caffe_root + 'val.txt', 'w') as val_txt:for root, dirs, files in os.walk(caffe_root + 'val/'): #遍歷文件夾

for dir indirs:for root, dirs, files in os.walk(caffe_root + 'val/' + str(dir)): #遍歷每一個文件夾中的文件

for file infiles:

image_file= str(dir) + '/' +str(file)

label= image_file + ' ' + str(i) + '\n' #文件路徑+空格+標簽編號+換行

val_txt.writelines(label) #寫入標簽文件中

i += 1 #編號加1

print('成功生成文件列表')

兩個txt文件創(chuàng)建后，使用caffe提供create_imagenet.sh。當然需要修改。前幾行改成自己的安裝目錄。還要進行一個resize操作，比如ALEXNET或者VGG通常都是給它resize 227*227.我的文件是face_lmdb.sh

EXAMPLE=/home/z/work/face_detect

DATA=/home/z/work/face_detect

TOOLS=/home/z/caffe/build/tools

TRAIN_DATA_ROOT=/home/z/work/face_detect/train/VAL_DATA_ROOT=/home/z/work/face_detect/val/

#Set RESIZE=true to resize the images to 256x256. Leave as false if images have#already been resized using another tool.

RESIZE=trueif$RESIZE; then

RESIZE_HEIGHT=227RESIZE_WIDTH=227

elseRESIZE_HEIGHT=0

RESIZE_WIDTH=0

fiif [ ! -d "$TRAIN_DATA_ROOT"]; then

echo"Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"echo"Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path"\"where the ImageNet training data is stored."exit1fiif [ ! -d "$VAL_DATA_ROOT"]; then

echo"Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"echo"Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path"\"where the ImageNet validation data is stored."exit1fi

echo"Creating train lmdb..."GLOG_logtostderr=1 $TOOLS/convert_imageset \--resize_height=$RESIZE_HEIGHT \--resize_width=$RESIZE_WIDTH \--shuffle \

$TRAIN_DATA_ROOT \

$DATA/train.txt \

$EXAMPLE/face_train_lmdb

echo"Creating val lmdb..."GLOG_logtostderr=1 $TOOLS/convert_imageset \--resize_height=$RESIZE_HEIGHT \--resize_width=$RESIZE_WIDTH \--shuffle \

$VAL_DATA_ROOT \

$DATA/val.txt \

$EXAMPLE/face_val_lmdb

echo"Done."

命令行輸入：sh LMDB腳本文件。

3. 訓練模型

使用的是AlEXNET，當然用其他的網絡也可以，比如VGG。主要是電腦配置比較差，使用cpu跑的，人臉數(shù)據集也沒有全部使用。

只是為了跑通上述流程。我的訓練集使用了1000張人臉，1000張非人臉。測試集使用600張人臉，600張非人臉。生成的LMDB數(shù)據源。

1. 網絡模型文件train_val.prototxt.

要改的地方不多。數(shù)據來源、batch_size、最后全連接層的num_output該為2(2分類)

name: "AlexNet"layer {

name:"data"type:"Data"top:"data"top:"label"include {

phase: TRAIN

}

transform_param {

mirror: true

crop_size:227

#mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"

}

data_param {

source:"/home/z/work/face_detect/face_train_lmdb"batch_size:16backend: LMDB

}

}

layer {

name:"data"type:"Data"top:"data"top:"label"include {

phase: TEST

}

transform_param {

mirror: false

crop_size:227

#mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"

}

data_param {

source:"/home/z/work/face_detect/face_val_lmdb"batch_size:16backend: LMDB

}

}

layer {

name:"fc8"type:"InnerProduct"bottom:"fc7"top:"fc8"param {

lr_mult:1decay_mult:1}

param {

lr_mult:2decay_mult: 0

}

inner_product_param {

num_output:2weight_filler {

type:"gaussian"std:0.01}

bias_filler {

type:"constant"value: 0

}

}

}

2. 參數(shù)配置文件solver.prototxt

net: "/home/z/work/face_detect/train_val.prototxt"test_iter:20test_interval:1000base_lr:0.001lr_policy:"step"gamma:0.1stepsize:2000display:20max_iter:450000momentum:0.9weight_decay:0.0005snapshot:1000snapshot_prefix:"/home/z/work/face_detect/model"solver_mode: CPU

3. 訓練腳本train.sh

#!/usr/bin/env sh

/home/z/caffe/build/tools/caffe train --solver=/home/z/work/face_detect/solver.prototxt

總結

以上是生活随笔為你收集整理的caffe检测图片是否包含人脸_caffe入门-人脸检测1的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。