# facekeypoints-tf2

**Repository Path**: Hao_gg/facekeypoints-tf2

## Basic Information

- **Project Name**: facekeypoints-tf2
- **Description**: tensorflow2.x实现人脸关键点检测
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2022-05-22
- **Last Updated**: 2022-12-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 人脸关键点检测——tf2实现


## 1. 环境配置

- tensorflow-gpu==2.4.0
- opencv-python==4.5.5.62
- tqdm==4.62.3
- numpy==1.19.5
- Pillow==8.4.0
- tensorboard==2.7.0


## 2. 数据准备

链接：https://pan.baidu.com/s/14W6OIU3h3FVwSEoEmlx8xA 
提取码：bj9n 
或者登录：https://aistudio.baidu.com/aistudio/datasetdetail/69065

数据文件夹格式如下：
```python
- datasets            
	- training               # 训练集
		- xxx.jpg
		- xxx.jpg
		- xxx.jpg
		- ...
	- test                   # 测试集
		- xxx.jpg
		- xxx.jpg
		- xxx.jpg
		- ...
	- test_frames_keypoints.csv      # 测试集标签
	- training_frames_keypoints.csv  # 训练集标签
```

## 3. 训练步骤
在train.py文件中，参数设置如下：
```python
# ------------------------------------ #
# -----------参数设置------------------ # 
# batch_size -> 批次
# 主干网络 ->  'mobilenetv2',
# epochs -> 轮次
# model_path
# input_shape -> 输入图片大小
# lr -> 学习率

batch_size = 8
backbone = 'mobilenetv2'
epochs = 100
model_path = ''
input_shape = [224,224]
lr=1e-3

```

训练结束后可以使用如下命令查看训练过程可视化的参数：
```txt
tensorboard --logdir=path_to_your_logs(就是本项目的logs1文件夹)
```

## 4. 预测步骤
1. 首先在facekeypoints.py文件中，指定好参数
2. 运行在predict.py即可，如img/face.png
效果如下：

![avatar](img/1.png)

## 5. 参考

[https://aistudio.baidu.com/aistudio/projectdetail/1487972](https://aistudio.baidu.com/aistudio/projectdetail/1487972)