mtcnn

一、算法介绍

MTCNN，Multi-task convolutional neural network（多任务卷积神经网络），将人脸区域检测与人脸关键点检测放在了一起，它的主题框架类似于cascade。总体可分为P-Net、R-Net、和O-Net三层网络结构。

二、实现结果（完美复现，不是接近！）

2.1、准确率

2.2、速度

mtcnnhardwaresoftwareimage_sizemin_sizespeedzhang'si7-9700K

vs2017-opencv-dnn

640x4802035mssamyleei7-9700K

vs2017-opencv-dnn

640x4802032ms

2.3、优势
2.3.1、大多数复现mtcnn代码并不能完美复现mtcnn的速度，因为他们pnet网络产生了大量负样本，导致整体算法速度减慢，虽然能获得更大的recall，但摒弃了mtcnn算法设计初衷。
2.3.2、大多数复现mtcnn代码并不能完美复现mtcnn的精度，其ROC曲线并不能重合或稍高。
2.3.3、大多数复现mtcnn代码编写复杂，逻辑冗长，无法一目了然。
2.3.4、提供pytorch转caffe工具和c++实现工程，工程部署不在话下。

2.4、效果展示

三、实现要求

3.1、系统及硬件要求
ubuntu16.04, nvidia-1080 或者更高，
3.2、软件要求
anaconda（强烈建议），pycharm（强烈建议）
3.3、算法依赖
python==3.6
pytorch-gpu==1.4
opencv-python==4.5.4
pickle

四、实现步骤

4.1、pnet实现
4.1.1、进入'prepare_data/12net_data'下依次运行'gen_12net_data.py'和'gen_12net_imdb.py'，用以生成pnet数据结构。
4.1.2、进入'train', 新建'pnet'文件夹，运行'train_pnet.py'
4.2、rnet实现
4.2.1、进入'prepare_data/24net_data'下依次运行'gen_24net_data.py', 'gen_24net_data_append.py', 'gen_24net_landmark_data.py'和'gen_24net_imdb.py'，用以生成rnet数据结构。
4.2.2、进入'train', 新建'rnet'文件夹， 运行'train_rnet.py'
4.3、onet实现
4.3.1、进入'prepare_data/48net_data'下依次运行'gen_48net_data.py', 'gen_48net_data_append.py', 'gen_48net_landmark_data.py'和'gen_48net_imdb.py'，用以生成rnet数据结构。
4.2.2、进入'train', 新建'onet'文件夹， 运行'train_onet.py'

五、测试步骤

5.1、pnet测试
进入'test'文件夹，运行'test_pnet.py'
5.2、rnet测试
进入'test'文件夹，运行'test_rnet.py'
5.3、onet测试
进入'test'文件夹，运行'test_onet.py'

六、验证步骤

6.1、进入'validate'文件夹下，新建'output'文件夹，运行'gen_fddb_results.py'即可。
6.2、获得ROC曲线方式网上博客很多，这里就不介绍了。

七、实现细节

7.1、关于pnet
7.2、关于rnet
7.3、关于onet
7.4、imdb数据格式
7.5、数据增强
7.6、loss设计
7.7、wider数据调整
7.8、celebA数据调整

八、模型转换和部署

8.1、caffe-python3
新建anaconda环境工程，强烈建议使用python3.5，因为libboost-python3.5直接可以通过apt-get安装，并不需要重新编译boost库
8.2、pnet转换
运行pnet2caffe.py
8.3、rnet转换
运行rnet2caffe.py
8.4、onet转换
运行onet2caffe.py
8.5、部署
将caffemodel放入工程目录下，使用vs2015/vs2017编译c++测试工程即可

九、代码发现（499RMB，非诚勿扰）

请加唯一QQ2258205918（名称samylee）！

或唯一VX：samylee_csdn

GITHUBhttps://github.com/samylee/mtcnn_pytorch（点亮右上角的小星星，立减100RMB）