项目地址：https://gitee.com/windandwine/Argus 转载请注明出处

一、项目简介

fine-tune YOLO v3 + FaceNet进行人脸识别，辨别。

1. 项目结构

--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

2.模型文件（权重）

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

1. model-20170512-110547，请到这里下载，密码9x2l
2. model-20180408-102900，请到这里下载，密码jjf1
3. model-20180402-114759（推荐），请到这里下载，密码56mh

3.yolo v3

YOLO v3的详细预测和训练，可到本人另一个项目YOLO_v3_tensorflow了解。

4.踩的坑

1. fine-tune yolo v3时使用的是wider face数据集，其中有两个标注框是宽度或高度为0的，错误标注，筛选的时候需要去除掉这两个标注框，否则nms会报除0的异常。
2. 训练svm时，需要标准化，预测时需要用同参数标准化再预测，否则svm预测结果都相同。
3. 之前使用model-20170512-110547模型，输出128d向量，效果不好，换成model-20180402-114759模型，输出512d向量，效果有所提升。
4. 每个人15张脸部图片，训练svm效果一般，可以增大样本量或者使用一些svm的tricks。

三、使用方法

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

1.放置模型文件

下载yolo_face和facenet模型文件，放置在data文件夹下，如图

2.制作自己的人脸数据集

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）。

3.使用工具将图片转换成向量并存储

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。

4.训练svm分类器

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。

5.开始测试

5.1图片测试

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。

5.2视频测试

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。