# mtcnn-pytorch

**Repository Path**: beichen2012/mtcnn-pytorch

## Basic Information

- **Project Name**: mtcnn-pytorch
- **Description**: 用pytorch实现mtcnn的训练及预测，并使用pytorch c++ api调用，实现功能化
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 12
- **Forks**: 5
- **Created**: 2018-12-12
- **Last Updated**: 2022-09-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# mtcnn-pytorch

![](./img/res1.jpg)

![](./img/res2.jpg)

#### 介绍

mtcnn用pytorch实现代码（从入门到工程化）

mtcnn实现了由粗到精的人脸检测框架，具有承上启下的意义。

mtcnn分为三个网络，网络模型都很小。原版论文里面的多任务有人脸检测、人脸目标框回归及人脸关键点回归。

这里做了简化，只做了人脸检测和人脸目标框回归。

在实现过程中，参考了：[MTCNN_face_detection_alignment](https://github.com/kpzhang93/MTCNN_face_detection_alignment)和[MTCNN-Tensorflow](https://github.com/AITTSMD/MTCNN-Tensorflow)




#### 安装

1. wider face数据集，下载后放置到： `~/dataset/WIDER_FACE`目录下，该目录下的目录为：
```
wider_face_split
WIDER_train
WIDER_val
```
2. python3(anaconda)
3. pytorchv1.0.0, lmdb, opencv, numpy, pylab
4. (c++) cmake, opencv 

#### 测试
python模型文件在 `${REPO}/scripts/models`目录下

c++ 模型文件在 `${REPO}/cpp`目录下

1， python预测

修改MTCNN.py 中的图片路径，即可进行测试。（SHOW_FIGURE=True，将会显示预测结果）

2, C++预测

修改 main.cpp中的图片路径及 pt模型文件的路径，即可进行测试




#### 训练

首先cd到`${REPO}`：

`mkdir dataset`

然后cd到 scripts 目录下：
1. 制作pnet 样本：

`~/anaconda3/bin/python data_gen/GeneratePNetData.py `

2. 训练pnet：

`~/anaconda3/bin/python train_pnet.py`

3. 制作 rnet 样本：
编辑GenerateRONetData.py中的net_type及 Pnet的网络权重路径，将rnet和onet置为None。

`~/anaconda3/bin/python data_gen/GenerateRONetData.py `

4. 训练 rnet 

`~/anaconda3/bin/python train_rnet.py`

5, 制作 onet 样本：

编辑GenerateRONetData.py中的net_type及 Pnet和rnet的网络权重路径，将onet置为None。

`~/anaconda3/bin/python data_gen/GenerateRONetData.py `

6， 训练 onet 

`~/anaconda3/bin/python train_rnet.py`

#### 参与贡献

1. Fork 本仓库
2. 新建 Feat_xxx 分支
3. 提交代码
4. 新建 Pull Request