最近刚入门caffe，跟着视频做了一个简单人脸检测。包括人脸二分类模型+方框框出人脸。

人脸二分类模型

1. 收集数据

我用的是lfw数据集，总共有13233张人脸图片。非人脸数据有两种选择。1. 用完全不是人脸的图片；2. 用与人脸重叠比例较小的图片。我用的是动物的图片作为负样本。负样本数据集。

2. 制作LMDB数据源(caffe非常支持的常用于分类的数据源)

首先需要写两个txt文档。train.txt 和 val.txt

主要保存的是图片的路径、名称、label。

形如：train.txt

0/xxx.jpg 0

1/xxx.jpg 1

val.txt

0/xxx.jpg 0

1/xxx.jpg 1

其中0文件夹表示正样本(人脸)、1文件夹表示负样本(非人脸)

如果是多分类，文件夹名称也是从0开始

生成txt文本的python代码(linux和Windows下的代码有点不同)：

linux版。jupyter notebook作为编译器

import os

#定义Caffe根目录

caffe_root = '/home/z/work/face_detect/'

#制作训练标签数据

i = 0 #标签

with open(caffe_root + 'train.txt', 'w') as train_txt:for root, dirs, files in os.walk(caffe_root + 'train/'): #遍历文件夹

for dir indirs:for root, dirs, files in os.walk(caffe_root + 'train/' + str(dir)): #遍历每一个文件夹中的文件

for file infiles:

image_file= str(dir) + '/' +str(file)

label= image_file + ' ' + str(i) + '\n' #文件路径+空格+标签编号+换行

train_txt.writelines(label) #写入标签文件中

i += 1 #编号加1

#制作测试标签数据

i = 0 #标签

with open(caffe_root + 'val.txt', 'w') as val_txt:for root, dirs, files in os.walk(caffe_root + 'val/'): #遍历文件夹

for dir indirs:for root, dirs, files in os.walk(caffe_root + 'val/' + str(dir)): #遍历每一个文件夹中的文件

for file infiles:

image_file= str(dir) + '/' +str(file)

label= image_file + ' ' + str(i) + '\n' #文件路径+空格+标签编号+换行

val_txt.writelines(label) #写入标签文件中

i += 1 #编号加1

print('成功生成文件列表')

两个txt文件创建后，使用caffe提供create_imagenet.sh。当然需要修改。前几行改成自己的安装目录。还要进行一个resize操作，比如ALEXNET或者VGG通常都是给它resize 227*227.我的文件是face_lmdb.sh

EXAMPLE=/home/z/work/face_detect

DATA=/home/z/work/face_detect

TOOLS=/home/z/caffe/build/tools

TRAIN_DATA_ROOT=/home/z/work/face_detect/train/VAL_DATA_ROOT=/home/z/work/face_detect/val/

#Set RESIZE=true to resize the images to 256x256. Leave as false if images have#already been resized using another tool.

RESIZE=trueif$RESIZE; then

RESIZE_HEIGHT=227RESIZE_WIDTH=227

elseRESIZE_HEIGHT=0

RESIZE_WIDTH=0

fiif [ ! -d "$TRAIN_DATA_ROOT"]; then

echo"Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"echo"Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path"\"where the ImageNet training data is stored."exit1fiif [ ! -d "$VAL_DATA_ROOT"]; then

echo"Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"echo"Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path"\"where the ImageNet validation data is stored."exit1fi

echo"Creating train lmdb..."GLOG_logtostderr=1 $TOOLS/convert_imageset \--resize_height=$RESIZE_HEIGHT \--resize_width=$RESIZE_WIDTH \--shuffle \

$TRAIN_DATA_ROOT \

$DATA/train.txt \

$EXAMPLE/face_train_lmdb

echo"Creating val lmdb..."GLOG_logtostderr=1 $TOOLS/convert_imageset \--resize_height=$RESIZE_HEIGHT \--resize_width=$RESIZE_WIDTH \--shuffle \

$VAL_DATA_ROOT \

$DATA/val.txt \

$EXAMPLE/face_val_lmdb

echo"Done."

命令行输入：sh LMDB脚本文件。

3. 训练模型

使用的是AlEXNET，当然用其他的网络也可以，比如VGG。主要是电脑配置比较差，使用cpu跑的，人脸数据集也没有全部使用。

只是为了跑通上述流程。我的训练集使用了1000张人脸，1000张非人脸。测试集使用600张人脸，600张非人脸。生成的LMDB数据源。

1. 网络模型文件train_val.prototxt.

要改的地方不多。数据来源、batch_size、最后全连接层的num_output该为2(2分类)

name: "AlexNet"layer {

name:"data"type:"Data"top:"data"top:"label"include {

phase: TRAIN

}

transform_param {

mirror: true

crop_size:227

#mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"

}

data_param {

source:"/home/z/work/face_detect/face_train_lmdb"batch_size:16backend: LMDB

}

}

layer {

name:"data"type:"Data"top:"data"top:"label"include {

phase: TEST

}

transform_param {

mirror: false

crop_size:227

#mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"

}

data_param {

source:"/home/z/work/face_detect/face_val_lmdb"batch_size:16backend: LMDB

}

}

layer {

name:"fc8"type:"InnerProduct"bottom:"fc7"top:"fc8"param {

lr_mult:1decay_mult:1}

param {

lr_mult:2decay_mult: 0

}

inner_product_param {

num_output:2weight_filler {

type:"gaussian"std:0.01}

bias_filler {

type:"constant"value: 0

}

}

}

2. 参数配置文件solver.prototxt

net: "/home/z/work/face_detect/train_val.prototxt"test_iter:20test_interval:1000base_lr:0.001lr_policy:"step"gamma:0.1stepsize:2000display:20max_iter:450000momentum:0.9weight_decay:0.0005snapshot:1000snapshot_prefix:"/home/z/work/face_detect/model"solver_mode: CPU

3. 训练脚本train.sh

#!/usr/bin/env sh

/home/z/caffe/build/tools/caffe train --solver=/home/z/work/face_detect/solver.prototxt