文件名称：matlab精度检验代码-mtcnn-pytorch:该项目在python3中运行
文件大小：22.71MB
文件格式：ZIP
更新时间：2024-06-10 20:22:37
系统开源
matlab精度检验代码mtcnn-pytorch 该项目用于mtcnn培训和测试。 使用python3，nvidia NGC pytorch图像18.06-py3 修改PNet：添加带有深度卷积的替换conv3，以--lr 0.005实现精度= 0.9348。 用--lr 0.005 --batch_size 2048训练RNet，获得精度= 0.9695 交易mtcnn模型步骤 MTCNN具有三个网络，分别称为PNet，RNet和ONet，因此我们应该在三个阶段进行训练，每个阶段都取决于先前的网络，该网络将生成训练数据以馈入当前的火车网络，并推动两个网络之间的最小损失。 请在训练之前下载火车面部数据集。 我们使用WIDER FACE和CelebA .WIDER FACE用于训练人脸分类和人脸边界框，也CelebA用于人脸地标。 原始的较宽的脸部注释文件为matlab格式，必须将其转换为文本。 我已将转换后的注释文本文件放入anno_store / wider_origin_anno.txt。 该文件与以下称为--anno_file的参数有关。 创建DFace火车数据临时文件夹，此文
【文件预览】：
mtcnn-pytorch-master
----test_image.py(686B)
----__init__.py(0B)
----log()
--------info(7B)
--------__init__.py(0B)
----LICENSE(11KB)
----test.jpg(75KB)
----README.md(3KB)
----dface()
--------core()
--------prepare_data()
--------__init__.py(0B)
--------config.py(1KB)
--------train_net()
--------__pycache__()
----process_train.sh(225B)
----model_store()
--------onet_epoch_43.pt(786KB)
--------rnet_epoch_10.pt(238KB)
--------pnet_epoch_10.pt(14KB)
----anno_store()
--------pos_24.txt(0B)
--------info(55B)
--------__init__.py(0B)
--------pos_12.txt(15.05MB)
--------neg_24.txt(0B)
--------wider_origin_anno.txt(3.06MB)
--------part_12.txt(40.23MB)
--------imglist_anno_12.txt(96.67MB)
--------part_24.txt(0B)
--------neg_12.txt(44.8MB)