1.下载Dark Face数据集,使用track2.2_test_sample文件中图片进行人脸检测测试。
2.修改DSFD源码中demo.py部分:
test_oneimage():
def test_oneimage():
# load net
# 影响网络的自动求导机制,使网络前向传播后不进行求导和反向传播(仅测试时使用)
torch.set_grad_enabled(False)
# 加载config配置参数
cfg = widerface_640
# 分类的类别数目---widerface.py
num_classes = len(WIDERFace_CLASSES) + 1 # +1 background
# 加载SSD网络模型,返回一个SSD实例
net = build_ssd('test', cfg['min_dim'], num_classes) # initialize SSD
# 加载预训练模型train_model
net.load_state_dict(torch.load(args.trained_model))
net.cuda()
# 表示进入评估模式,神经网络中有train(),eval()两种模式,使用eval()可关闭dropout
net.eval()
print('Finished loading model!')
# evaluation
cuda = args.cuda
transform = TestBaseTransform((104, 117, 123))
thresh=cfg['conf_thresh']
#save_path = args.save_folder
#num_images = len(testset)
# load data,从指定路径加载待测图像
'''
以此为界,前半部分为网络模型加载和初始化,后半部分为单张图片的人脸检测。此处为测试图片的路
径设置过程。
修改部分,不适用arg.imag_root作为测试图像路径.
遍历darkface数据集100张图片,依次读取并进行测试
'''
folder = './data/'
#img_id = 'face'
for i in range(100):
img = cv2.imread(folder + str(i) + '_fake_B.jpg', cv2.IMREAD_COLOR)
img_id = 'test' + str(i)
# 单张图片的测试过程
max_im_shrink = ( (2000.0*2000.0) / (img.shape[0] * img.shape[1])) ** 0.5
shrink = max_im_shrink if max_im_shrink < 1 else 1
det0 = infer(net , img , transform , thresh , cuda , shrink)
det1 = infer_flip(net , img , transform , thresh , cuda , shrink)
# shrink detecting and shrink only detect big face
st = 0.5 if max_im_shrink >= 0.75 else 0.5 * max_im_shrink
det_s = infer(net , img , transform , thresh , cuda , st)
index = np.where(np.maximum(det_s[:, 2] - det_s[:, 0] + 1, det_s[:, 3] - det_s[:, 1] + 1) > 30)[0]
det_s = det_s[index, :]
# enlarge one times
factor = 2
bt = min(factor, max_im_shrink) if max_im_shrink > 1 else (st + max_im_shrink) / 2
det_b = infer(net , img , transform , thresh , cuda , bt)
# enlarge small iamge x times for small face
if max_im_shrink > factor:
bt *= factor
while bt < max_im_shrink:
det_b = np.row_stack((det_b, infer(net , img , transform , thresh , cuda , bt)))
bt *= factor
det_b = np.row_stack((det_b, infer(net , img , transform , thresh , cuda , max_im_shrink) ))
# enlarge only detect small face
if bt > 1:
index = np.where(np.minimum(det_b[:, 2] - det_b[:, 0] + 1, det_b[:, 3] - det_b[:, 1] + 1) < 100)[0]
det_b = det_b[index, :]
else:
index = np.where(np.maximum(det_b[:, 2] - det_b[:, 0] + 1, det_b[:, 3] - det_b[:, 1] + 1) > 30)[0]
det_b = det_b[index, :]
det = np.row_stack((det0, det1, det_s, det_b))
det = bbox_vote(det)
vis_detections(img , det , img_id, args.visual_threshold)
3.运行demo.py即可。能在arg.save_folder处得到100张dark_face人脸检测结果。
补充:
DSFD只接收输入格式为jpg的图片,因此对darkface数据集进行批量转换。
import os
from PIL import Image
dirname_read="/home/...DSFD/darkface_png/" # png格式图片的输入路径
dirname_write="/home/...DSFD/data/" # jpg图片的输出路径
names=os.listdir(dirname_read)
count=0
for name in names:
img=Image.open(dirname_read+name)
name=name.split(".")
if name[-1] == "png":
name[-1] = "jpg"
name = str.join(".", name)
#r,g,b,a=img.split()
#img=Image.merge("RGB",(r,g,b))
to_save_path = dirname_write + name
img.save(to_save_path)
count+=1
print(to_save_path, "------conut:", count)
else:
conti
审核编辑:汤梓红
-
网络
+关注
关注
14文章
7375浏览量
88158 -
源码
+关注
关注
8文章
625浏览量
28919 -
数据集
+关注
关注
4文章
1197浏览量
24520
发布评论请先 登录
相关推荐
开发集和测试集应该有多大?
建立开发集和测试集(总结)
一个benchmark实现大规模数据集上的OOD检测
基于SP-LNS-kNN的半导体生产过程故障检测方法研究
在不使用任何额外数据的情况下,COCO数据集上物体检测结果为50.9 AP的方法
![在不使用任何额外<b class='flag-5'>数据</b>的情况下,COCO<b class='flag-5'>数据</b><b class='flag-5'>集</b>上物体<b class='flag-5'>检测</b>结果为50.9 AP的方法](https://file.elecfans.com/web1/M00/74/2E/o4YBAFv4upmAaNdyAAAI3g3bRC8295.png)
腾讯优图推出名为DSFD(中文名为双分支人脸检测器)的全新算法
使用tf.data进行数据集处理
PyTorch教程-14.6. 对象检测数据集
![PyTorch教程-14.6. 对象<b class='flag-5'>检测</b><b class='flag-5'>数据</b><b class='flag-5'>集</b>](https://file.elecfans.com/web2/M00/A9/00/poYBAGR4YoqASRiBAAZcwltTfMw221.png)
最全自动驾驶数据集分享系列一:目标检测数据集
![最全自动驾驶<b class='flag-5'>数据</b><b class='flag-5'>集</b>分享系列一:目标<b class='flag-5'>检测</b><b class='flag-5'>数据</b><b class='flag-5'>集</b>](https://file.elecfans.com/web1/M00/D9/4E/pIYBAF_1ac2Ac0EEAABDkS1IP1s689.png)
评论