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。

这里做了做了人脸检测和人脸目标框及人脸关键点回归, 但是数据集不同（尤其是landmark数据不够好导致关键点回归不是特别准确）。

在实现过程中，参考了：MTCNN_face_detection_alignment和MTCNN-Tensorflow

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. lfw_5590 net_7876 ~/dataset/LFW_NET_FACE目录下，该目录下的目录为：

lfw_5590
net_7876
testImageList.txt
trainImageList.txt

3. python3(anaconda)
4. pytorchv1.0.0, lmdb, opencv, numpy, pylab
5. (c++) cmake, opencv

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

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
~/anaconda3/bin/python data_gen/GeneratePNetLandmarkData.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
~/anaconda3/bin/python data_gen/GenerateRONetLandmarkData.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
~/anaconda3/bin/python data_gen/GenerateRONetLandmarkData.py

6， 训练 onet

~/anaconda3/bin/python train_rnet.py

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