项目地址:https://gitee.com/windandwine/Argus 转载请注明出处
fine-tune YOLO v3 + FaceNet进行人脸识别,辨别。
--data
--|------baseface 图片、根据这些图片训练的128d向量,以及文件夹与人名的映射文件
---------|------0 第一个人的图片tag=0
---------|------1 第二个人的图片tag=1
......
---------|------n 第n个人的图片tag=n
---------|------map.txt 文件夹与人名的映射,依次放即可
---------|------vector.csv 根据这些图片得到的128维向量以及其类别(文件夹名)
--|------weights_facenet 模型文件(facenet)
--|------weights_yolo 模型(fune-tuning的yolo v3)
--|------weights_svm 模型(根据csv文件训练的svm模型)
--|------face-names 预测类别,默认即可
--|------yolo_anchors.txt 训练yolo v3时聚类得到的anchors框
--net yolo和facenet的网络
--preprocessing 预处理工具,下文的使用方法前期步骤都需要在这里运行
--setting 模型参数,可根据需要修改
--utils 封装的一些方法
--test.py 主体方法
yolo_face模型
yolo v3是基于论文作者模型,在Wider Face数据上fine-tuning的。 可以到这里下载,密码qli4。
facenet模型
YOLO v3的详细预测和训练,可到本人另一个项目YOLO_v3_tensorflow了解。
项目需要安装以下包
numpy==1.16.4
pandas==0.24.2
opencv-python==4.1.1
scikit-learn=0.21.2
tensorflow==1.13.1
pillow==6.1.0
下载yolo_face和facenet模型文件,放置在data文件夹下,如图
截取需要识别的人物的脸部图片,一人一个文件夹,文件夹名称从0开始依次累加,放在路径data/base_face下。
并修改data/map.txt,以空格分隔,下标和人脸文件夹名一一对应(map.txt中第一条下标为0,对应data/base_face/0文件夹)。
运行preprecessing/pre_tools.py内的save_vector_csv(),自动将图片使用facenet转换为128d或512d向量,并存储为data/base_face/vector.csv。
基于已经储存的vector.csv文件,进行标准化后,运行preprecessing/pre_tools.py内的train_face_svm(),使用scikit-learn训练svm模型,并储存在data/weights_svm/svm.pkl中。
放在data/test_img下,将setting/yolo_args.py中的detect_object改为img,input_image 改为图片路径。
运行根目录下的test.py文件。
另外如果要存储检测后的图片,将setting/yolo_args.py中的output_image改为要存储的路径,并保证各层级文件夹存在。
放在data/test_video下,将setting/yolo_args.py中的detect_object改为video,input_video 改为视频路径。
运行根目录下的test.py文件。
另外如果要存储检测后的视频,将setting/yolo_args.py中的output_video改为要存储的路径,并保证各层级文件夹存在。
如有疑问,请贴在issues。
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。