首先介紹一下MTCNN的網絡結構，MTCNN有三種網絡，訓練網絡的時候需要通過三部分分別進行，每一層網絡都依賴前一層網絡產生訓練數據供當前訓練網絡，這樣也推動了兩個網絡之間的最小損耗。

Pnet

Rnet

Onet

MTCNN的人臉模型按照以上結構按照三部分進行訓練。

DFace有兩個主要模塊，即檢測和識別。在這兩個模塊中，我們提供了有關如何訓練模型和運行的所有教程。

首先設置一個pytorch和cv2，版本要求：

* pytorch==0.4.0

* torchvision==0.2.0

* opencv-python==3.4.0.12

pip install torch==0.4.0 torchvision==0.2.0 -i?https://pypi.tuna.tsinghua.edu.cn/simple

pip install opencv-python==3.4.0.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

安裝依賴庫matplotlib：pip install matplotlib

(1)首先將DFace包git到本地用戶目錄，不要放在根目錄：

git clone https://github.com/tuvia0213/DFace.git

(2)添加DFace路徑添加到本地python路徑：

export PYTHONPATH=$PYTHONPATH:{your local DFace root path}/DFace

(3)打開../DFace路徑將WIDER FACE數據集下載到../DFace/WIDER_train/下

(WIDER_train下載地址http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/)；

將CelebA下載到../DFace/Celeba/路徑下

(CelebA下載地址：http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html)

并將../CelebA/Img/目錄下的img_align_celeba壓縮包解壓到該目錄；其中WIDER FACE用于訓練人臉分類器與人臉約束框(Bounding Box，代碼里常見形式為BBox)，CelebA用于訓練人臉坐標點(landmark點，人臉檢測中的標點為雙眼、鼻子、兩個嘴角)；

(4)進入到../DFace路徑下，生成PNet訓練數據和注釋文件(annotation file)：

python dface/prepare_data/gen_Pnet_train_data.py --prefix_path WIDER_train/images/ --dface_traindata_store data/ --anno_file anno_store/wider_origin_anno.txt

(5)組合注釋文件并將其隨機分布：

python dface/prepare_data/assemble_pnet_imglist.py

(6)訓練Pnet模型：

python dface/train_net/train_p_net.py

(7)生成RNet訓練數據和注釋文件:

python dface/prepare_data/gen_Rnet_train_data.py --prefix_path WIDER_train/images/ --dface_traindata_store data/ --anno_file? anno_store/wider_origin_anno.txt --pmodel_file model_store/pnet_epoch_10.pt

(8)組合注釋文件并將其隨機分布：

python dface/prepare_data/assemble_rnet_imglist.py

(9)訓練Rnet模型：

python dface/train_net/train_r_net.py

(10)生成ONet訓練數據和注釋文件:

python dface/prepare_data/gen_Onet_train_data.py --prefix_path WIDER_train/images/ --dface_traindata_store data/ --anno_file anno_store/wider_origin_anno.txt --pmodel_file model_store/pnet_epoch_10.pt --rmodel_file model_store/rnet_epoch_10.pt

(11)生成Onet訓練landmark點數據，在此之前，生成testImageList.txt，需先將merge_file.py復制到celeba/CelebA/Anno路徑下：

python dface/prepare_data/gen_landmark_48.py --dface_traindata_store data/ --anno_file celeba/CelebA/Anno/testImageList.txt --prefix_path celeba/CelebA/Img/img_align_celeba

(12)組合注釋文件并將其隨機分布：

python dface/prepare_data/assemble_onet_imglist.py

(13)訓練Onet模型：

python dface/train_net/train_o_net.py

DFace路徑下提供了測試圖片與測試腳本，可以用于測試訓練網絡的識別效果，回到../DFace路徑下：

python test_image.py

顯示出識別圖片效果：

至此，模型訓練完成，可以使用../DFace/model_store下的pnet_epoch_10.pt rnet_epoch_10.pt onet_epoch_10.pt進行模型轉換，從pytorch轉caffe轉ncnn。

總結

以上是生活随笔為你收集整理的python人脸识别训练模型生产_深度学习-人脸识别DFACE模型pytorch训练（二）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。