使用DSFD检测DarkFace数据集过程

1.下载Dark Face数据集，使用track2.2_test_sample文件中图片进行人脸检测测试。

2.修改DSFD源码中demo.py部分：

test_oneimage()：
def test_oneimage():
   # load net

   # 影响网络的自动求导机制，使网络前向传播后不进行求导和反向传播（仅测试时使用）
   torch.set_grad_enabled(False)

   # 加载config配置参数
   cfg = widerface_640
   # 分类的类别数目---widerface.py
   num_classes = len(WIDERFace_CLASSES) + 1 # +1 background
   # 加载SSD网络模型，返回一个SSD实例
   net = build_ssd('test', cfg['min_dim'], num_classes) # initialize SSD
   # 加载预训练模型train_model
   net.load_state_dict(torch.load(args.trained_model))
   net.cuda()
   # 表示进入评估模式，神经网络中有train(),eval()两种模式，使用eval()可关闭dropout
   net.eval()
   print('Finished loading model!')

   # evaluation
   cuda = args.cuda
   transform = TestBaseTransform((104, 117, 123))
   thresh=cfg['conf_thresh']
   #save_path = args.save_folder
   #num_images = len(testset)

   # load data，从指定路径加载待测图像

   ''' 
   以此为界，前半部分为网络模型加载和初始化，后半部分为单张图片的人脸检测。此处为测试图片的路            
   径设置过程。
   修改部分，不适用arg.imag_root作为测试图像路径.
   遍历darkface数据集100张图片，依次读取并进行测试
   '''

   folder = './data/'

   #img_id = 'face'
   for i in range(100):

       img = cv2.imread(folder + str(i) + '_fake_B.jpg', cv2.IMREAD_COLOR)
       img_id = 'test' + str(i)
       

       # 单张图片的测试过程
       max_im_shrink = ( (2000.0*2000.0) / (img.shape[0] * img.shape[1])) ** 0.5
       shrink = max_im_shrink if max_im_shrink < 1 else 1

       det0 = infer(net , img , transform , thresh , cuda , shrink)
       det1 = infer_flip(net , img , transform , thresh , cuda , shrink)
       # shrink detecting and shrink only detect big face
       st = 0.5 if max_im_shrink >= 0.75 else 0.5 * max_im_shrink
       det_s = infer(net , img , transform , thresh , cuda , st)
       index = np.where(np.maximum(det_s[:, 2] - det_s[:, 0] + 1, det_s[:, 3] - det_s[:, 1] + 1) > 30)[0]
       det_s = det_s[index, :]
       # enlarge one times
       factor = 2
       bt = min(factor, max_im_shrink) if max_im_shrink > 1 else (st + max_im_shrink) / 2
       det_b = infer(net , img , transform , thresh , cuda , bt)
       # enlarge small iamge x times for small face
       if max_im_shrink > factor:
           bt *= factor
           while bt < max_im_shrink:
               det_b = np.row_stack((det_b, infer(net , img , transform , thresh , cuda , bt)))
               bt *= factor
           det_b = np.row_stack((det_b, infer(net , img , transform , thresh , cuda , max_im_shrink) ))
       # enlarge only detect small face
       if bt > 1:
           index = np.where(np.minimum(det_b[:, 2] - det_b[:, 0] + 1, det_b[:, 3] - det_b[:, 1] + 1) < 100)[0]
           det_b = det_b[index, :]
       else:
           index = np.where(np.maximum(det_b[:, 2] - det_b[:, 0] + 1, det_b[:, 3] - det_b[:, 1] + 1) > 30)[0]
           det_b = det_b[index, :]
       det = np.row_stack((det0, det1, det_s, det_b))
       det = bbox_vote(det)
       vis_detections(img , det , img_id, args.visual_threshold)
3.运行demo.py即可。能在arg.save_folder处得到100张dark_face人脸检测结果。

补充：

DSFD只接收输入格式为jpg的图片，因此对darkface数据集进行批量转换。

import os
from PIL import Image

dirname_read="/home/...DSFD/darkface_png/"   # png格式图片的输入路径
dirname_write="/home/...DSFD/data/"    # jpg图片的输出路径
names=os.listdir(dirname_read)
count=0
for name in names:
   img=Image.open(dirname_read+name)
   name=name.split(".")
   if name[-1] == "png":
       name[-1] = "jpg"
       name = str.join(".", name)
       #r,g,b,a=img.split()
       #img=Image.merge("RGB",(r,g,b))
       to_save_path = dirname_write + name
       img.save(to_save_path)
       count+=1
       print(to_save_path, "------conut：", count)
   else:
       conti

　　　审核编辑：汤梓红