yolo-face-with-landmark

实现的功能

• 添加关键点检测分支，使用wing loss

Installation

Clone and install

1. git clone https://github.com/ouyanghuiyu/yolo-face-with-landmark
2. 使用src/retinaface2yololandmark.py脚本将retinaface的标记文件转为yolo的格式使用,
3. 使用src/create_train.py 创建训练样本

训练

python train.py --net mbv3_large_75 --backbone_weights \
./pretrained/mobilenetv3-large-0.75-9632d2a8.pth --batch-size 16 

测试

python evaluation_on_widerface.py
cd widerface_evaluate
python evaluation.py

demo

python demo.py

精度

Widerface测试

• 在wider face val精度（单尺度输入分辨率：320*240）

方法	Easy	Medium	Hard	Flops
Retinaface-Mobilenet-0.25(Mxnet)	0.745	0.553	0.232
mbv3large_1.0_yolov3(our)	0.861	0.781	0.387	405M
mbv3large_1.0_yolov3_light(our)	0.856	0.770	0.370	311M
mbv3large_0.75_yolov3(our)	0.853	0.778	0.382	334M
mbv3large_0.75_yolov3_light(our)	0.845	0.766	0.365	240M
mbv3samll_1.0_yolov3(our)	0.798	0.696	0.3	185M
mbv3small_1.0_yolov3_light(our)	0.759	0.662	0.300	91M
mbv3samll_0.75_yolov3(our)	0.768	0.673	0.305	174M
mbv3small_0.75_yolov3_light(our)	0.754	0.647	0.291	80M

• 在wider face val精度（单尺度输入分辨率：640*480）

方法	Easy	Medium	Hard
Retinaface-Mobilenet-0.25(mxnet)	0.879	0.807	0.481
mbv3large_1.0_yolov3(our)	0.900	0.882	0.707
mbv3large_1.0_yolov3_light(our)	0.900	0.874	0.683
mbv3large_0.75_yolov3(our)	0.886	0.871	0.694
mbv3large_0.75_yolov3_light(our)	0.881	0.862	0.678
mbv3samll_1.0_yolov3(our)	0.856	0.827	0.602
mbv3small_1.0_yolov3_light(our)	0.847	0.807	0.578
mbv3samll_0.75_yolov3(our)	0.841	0.815	0.584
mbv3small_0.75_yolov3_light(our)	0.832	0.796	0.553

ps: 测试的时候,长边为320 或者 640 ,图像等比例缩放

测试

References

• yolov3