SNU_FaceDetection

Reference

paper:

[RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild] (CVPR 2020)

https://openaccess.thecvf.com/content_CVPR_2020/html/Deng_RetinaFace_Single-Shot_Multi-Level_Face_Localisation_in_the_Wild_CVPR_2020_paper.html

@inproceedings{deng2020retinaface,
  title={Retinaface: Single-shot multi-level face localisation in the wild},
  author={Deng, Jiankang and Guo, Jia and Ververas, Evangelos and Kotsia, Irene and Zafeiriou, Stefanos},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={5203--5212},
  year={2020}
}

code:

아래 github 의 아키텍쳐를 참고하여 multi-stage로 재현함

https://github.com/biubug6/Pytorch_Retinaface

실행 결과 예시

Environments

conda create -n ENV_NAME python=3.7

pip install mediapipe
pip install torch==1.7.0
pip install torchvision==0.8.1
pip install opencv-python

Dataset 다운 주소

train/val/test dataset - widerface

http://shuoyang1213.me/WIDERFACE/

Directory 설명

|── data
    ├──> sample_widerface 
         ├──> images : widerface validation set에서 뽑은 10장의 샘플
    ├──> widerface
        ├──> train
            ├──> images : 학습 이미지가 저장되야 하는 폴더
            └──> label.txt : 적절한 입력 포멧으로 변형한 학습 레이블
        ├──> val
            ├──> images : 검증 이미지가 저장되야 하는 폴더
            └──> label.txt : 적절한 입력 포멧으로 변형한 검증 레이블
|── inference_results
    ├──> result_images : widerface sample 이미지에 대한 실행 결과 이미지 (bbox, confidence 포함)
    └──> resnet_anc2_casT_fpn3_inference_results.txt : widerface sample 이미지에 대한 실행 결과 (bbox, confidence를 저장)
|── layers
    ├──> multibox_loss.py : face bbox, label, landmarks을 한번에 처리하는 loss 모듈
    └──> prior_box.py : prior box를 생성하는 모듈
|── models
    ├──> net.py : retinaface 아키텍쳐에 사용되는 모듈 (SSH(=CHM), FPN)
    └──> retinaface.py : retinaface 전체 아키텍쳐  
|── utils : 다양한 기타 사용 함수들 폴더
|── config.py : 입력 argument를 관리하는 파일
|── inference.py : inference용 코드 (GT label이 없을 경우 테스트)
|── retinaface.yml : 가상환경 파일
|── test.py : test용 코드(GT label이 있을 경우 테스트)
└── train.py : train용 코드

코드 실행 가이드 라인

=== Train ===

학습용 코드 - train.py

1) dataset 준비

위 dataset 다운 주소를 참고하여 widerface train, validation dataset을 다운받고, directory 설명을 참고하여 train, val 이미지 폴더를 배치한다

2) 실행

아래 명령어를 통해 실행한다

python train.py --gpu_num={사용할 gpu index, int} --experiment_name={학습결과를 저장할 폴더 이름, string} EX. python train.py --gpu_num=0 --experiment_name='resnet_anc2_casT_fpn3'

기본 epoch는 8000, batch size는 16으로 되어있으며, 변경하고 싶을 시 아래와 같이 추가한다

python train.py --gpu_num=0 --experiment_name='resnet_anc2_casT_fpn3' --epochs={epoch_num} --batch_sixe={batch_size}

3) 결과 저장

학습이 종료되면 experiments/ 폴더가 아래와 같이 생성된다

    |── experiments
       ├──> {experiment_name}
            ├──> log : 학습과정의 log 파일 (학습 실패 시에도 본 파일 참고)
            └──> ckpt : 학습과정 중의 가장 결과가 좋은 체크포인트 파일 저장

=== 학습된 ckpt ===

혹은 아래 링크에서 미리 학습한 ckpt 파일(resnet_anc2_casT_fpn3)을 다운 받아 experiments 폴더를 생성한 후 그 안에 배치한다.

구글 드라이브 주소 : https://drive.google.com/drive/folders/1bbxIfmmlhs33uBkTasL6ksnPfabFFpNI?usp=sharing

=== Test ===

GT label이 존재하는 dataset에 대해서는 아래 코드를 통해 테스트를 진행한다

테스트용 코드 - test.py (GT 존재해서 AP 측정 가능할 때)

1) 데이터셋 확인

./data/widerface/val/images 내에 있는 폴더에 대해 테스트를 진행한다

2) 코드 실행

아래 명령어를 통해 실행한다.

python test.py --gpu_num={사용할 gpu index, int} --experiment_name={테스트에 사용할 ckpt 폴더가 저장된 폴더}

python test.py --gpu_num=0 --experiment_name='resnet_anc2_casT_fpn3'

3) 결과 저장

10장 단위로 테스트 진행 과정을 출력하며, 테스트가 종료되면 테스트에 걸린 시간과 AP 결과를 ./experiments/{exp_name}/results/results.txt에 저장한다

=== Inference ===

GT label이 존재하지 않는 dataset에 대해서는 아래 코드를 통해 테스트를 진행한다

테스트용 코드2 - inference.py (GT 존재하지 않아서 AP 측정 불가능)

1) dataset

./data/{dataset이름}/images/ 폴더를 만들어 inference용 이미지를 넣는다

2) 코드 실행

아래 명령어를 통해 테스트를 실행한다.

python inference.py

--gpu_num={사용할 gpu index, int}

--experiment_name={테스트에 사용할 ckpt 폴더가 저장된 폴더}

--inference_dir={inference용 이미지가 저장된 폴더, default='sample_widerface/images/'}

--infer_imsize_same={inference용 이미지들의 크기가 일정한지 여부, default=True}

--save_img={inference 결과 이미지를 저장할 지 여부, defalut=False}

--inference_save_folder={결과 이미지를 저장할 폴더 이름, default='inference_results'}

python inference.py --gpu_num=0 --inference_dir='sample_widerface/images/' --save_img=True --inference_save_folder='inference_results/'

3) 결과 저장

10장 단위로 테스트 진행과정을 출력하며, test가 종료된 후에는 ./inference_results 폴더에 결과가 저장된다.

**주의 : --inference_save_folder를 지정하지 않고 실행 시 덮어씌워질 수 있음

    |── inference_results
       ├──> result_images: --save_img=True를 줬을 시 inference 이미지를 저장
       └──> exp_name_inference_results.txt: image 이름과 그 bbox, 신뢰도 결과값을 결과로 저장.

4) mask 추출

source code: https://google.github.io/mediapipe/solutions/selfie_segmentation.html

python inference.py --gpu_num=0 --inference_dir='sample_mask/images/' --inference_save_folder='mask_results/' --mask True --save_mask True

10장 단위로 테스트 진행과정을 출력하며, test가 종료된 후에는 --inference_save_folder로 지정한 폴더에 아래 결과가 저장된다.

**주의 : --inference_save_folder를 지정하지 않고 실행 시 덮어씌워질 수 있음

    |── mask_results
       ├──> masks:{기존 image_name + face idx}  face mask(tight한 mask) 이미지가 저장 됨}
       ├──> faces:{기존 image_name + face idx} 얼굴 이미지가 저장 됨}
       ├──> head_masks:{기존 image_name + face idx}  head mask 이미지가 저장 됨}
       └──> exp_name_inference_results.txt: image 이름과 detection bbox, 신뢰도 결과값을 결과로 저장.

코드 상 return하는 값은 inference.py L 282를 참고하여 아래와 같다

head = face를 정중앙으로 하여 face보다 h, w 모두 4배 크게 잡은 영역 (mask segmentation의 input으로 들어감)

result_bboxes, face_bboxes, face_masks, head_bboxes, head_masks = result

result_bboxes: 전체 이미지에서 face bbox의 좌표 [x1, y1, x2, y2]

face_bboxes: head 이미지에서 face bbox의 좌표 [x1, y1, x2, y2]

face_masks: face의 mask 이미지 [H, W, C]

head_bboxes: 전체 이미지에서 head bbox의 좌표 [x1, y1, x2, y2]

head_masks: head의 mask 이미지 [H, W, C]

비고: 인물들이 많이 겹쳐져 있을 수록 mask segmentation의 성능이 저하 됨

결과 예시

input 이미지

face detection 결과

head 이미지

head_mask 이미지

face 이미지

face_mask 이미지

hoony94 / snu_facedetection Goto Github PK