MTCNN算法Github程序复现流程文档

0.前言

在这里将MTCNN程序复现一遍，这个Github程序的README是有问题的，程序也有一些问题，我也是仅仅将他的算法训练完毕，由于小白一个，只看了MTCNN的论文，里面有大量的先验论文与知识，对整体的网络实现以及代码还是有些懵懂，算是熟悉了跑模型的流程，其他知识待补充。
复现程序地址：点击打开

1.准备工作

• 需要有与CUDA兼容的GPU来训练模型。
• 应该首先下载WIDER Face和landmark dataset前者用于训练人脸检测，后者用于训练landmark检测。

2.依赖的版本

• Tensorflow 1.2.1
• TF-Slim
• Python 2.7
• Ubuntu 16.04
• Cuda 8.0

3.数据处理以及训练流程

1. 下载Wider Face 数据集，将里面的WIDER_train.zip解压到 prepare_data文件并且更名为WIDER_train
2. 下载“1.准备工作”中的landmark数据集，将landmark_train.zip数据集解压到prepare_data中
3. 运行prepare_data/gen_12net_data.py来为PNet生成人脸检测的训练数据集
4. 运行gen_landmark_aug_12.py来为PNet生成人脸特征点的训练数据集
5. 运行gen_imglist_pnet.py来合并两部分数据
6. 运行gen_PNet_tfrecords.py来生成PNet的tfrecords文件
7. 运行 train_models/train_PNet.py训练PNet，训练完PNet之后运行gen_hard_example来为RNet生成人脸检测部分的训练数据（论文中提到的损失值前70%的样本），这里会出错，详细为“Key fc1/alphas not found in checkpoint ”，具体解决方案如下：
   
   • 找到train_models/mtcnn_model.py，找到第186行与第232行，将 activation_fn = prelu删掉即可。
   • 同时找到main函数里，具体是215行，将网络改成相应的网络。
8. 运行 gen_landmark_aug_24.py来为RNet生成人脸特征点的训练数据
9. 运行 gen_imglist_rnet.py来合并两部分训练数据
10. 运行 gen_RNet_tfrecords.py来生成RNet的tfrecords，值得注意的是，这个程序需要运行四次，每次都要更改一些参数来生成neg,pos,part, landmark的tfrecords.具体如下：
    修改gen_RNet_tfrecords.py 和 gen_ONet_tfrecords.py里相应的函数修改为下面的代码：

def get_dataset(dir, net):
    #item = 'imglists/PNet/train_%s_raw.txt' % net
    #item = 'imglists/PNet/train_%s_landmark.txt' % net
    #------运行四次时，依次取消下面的注释---------
    #item = '%s/landmark_%s_aug.txt' % (net,net) #if you want to generate landmark_landmark tfrecord,uncomment this line.
    #item = '%s/pos_%s.txt' % (net,net) #if you want to generate pos_landmark tfrecord,uncomment this line.
    #item = '%s/neg_%s.txt' % (net,net) #if you want to generate neg_landmark tfrecord,uncomment this line.
    item = '%s/part_%s.txt' % (net,net) #if you want to generate part_landmark tfrecord,uncomment this line.
def get_output_filename(output_dir, name, net):
    #st = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
    #return '%s/%s%s_%s.tfrecord' % (output_dir, name, net, st)
    #return '%s/train_PNet_landmark.tfrecord' % (output_dir)
    #------运行四次时，依次取消下面的注释---------
    #return '%s/landmark_landmark.tfrecord' % (output_dir) #if you want to generate landmark_landmark tfrecord,uncomment this line.
    #return '%s/pos_landmark.tfrecord' % (output_dir) #if you want to generate pos_landmark tfrecord,uncomment this line.
    #return '%s/neg_landmark.tfrecord' % (output_dir) #if you want to generate neg_landmark tfrecord,uncomment this line.
    return '%s/part_landmark.tfrecord' % (output_dir) #if you want to generate part_landmark tfrecord,uncomment this line.

1. 运行 train_models/train_RNet.py训练RNet，训练完PNet之后运行gen_hard_example来为ONet生成人脸检测部分的训练数据
2. 运行gen_landmark_aug_48.py来为ONet生成人脸特征点检测的训练数据
3. 运行gen_imglist_onet.py合并这两部分数据
4. 运行gen_ONet_tfrecords.py来生成ONet的tfrecords，同样还是按照上述方法跑四次。
5. 运行 train_models/train_ONet.py训练ONet，大功告成。