概述

简述

FAN是一个目标对齐检测网络，通过对目标标志的检测，既能够检测2D也能够检测3D坐标中的点。

• 参考实现：

  url=https://github.com/1adrianb/face-alignment
  commit_id=c49ca6fef8ffa95a0ac7ce698e0b752ac91f6d42

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/cv/detection

准备训练环境

准备环境

• 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

  表 1 版本支持表

  Torch_Version	三方库依赖版本
  PyTorch1.5	scipy>=0.17.0
  PyTorch1.8	scipy>=0.17.0

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

  pip install -r requirements.txt

准备数据集

用户自行获取原始数据集，可选用的开源数据集包括300-W等，进入到项目根目录并创建dataset目录，将数据集放在dataset下（数据集包含4个子数据集共7674张图片）：

# $FAN_ROOT 为项目根目录
$FAN_ROOT/dataset/

以300-w数据集为例，数据集目录结构参考如下所示。

 dataset
    └── ibug_300W_large_face_landmark_dataset
        ├── aww
        ├── bug
        ├── Helen
        │   ├── trainset
        │   └── testset
        └── lfpw
            ├── trainset
            └── testset

说明： 该数据集的训练过程脚本只作为一种参考示例。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称}

2. 运行训练脚本。

   该模型支持单机单卡训练。

   • 单机单卡训练

     启动单卡训练。

     bash ./test/train_full_1p.sh --data_path=/data/xxx/ --landmarks_type=关键点类型"2D"或"3D"  # 单卡精度
     
     bash ./test/train_performance_1p.sh --data_path=/data/xxx/ --landmarks_type=关键点类型"2D"或"3D"  # 单卡性能

   --data_path参数填写数据集路径，需写到数据集的一级目录。

   --landmarks_type参数填写关键点类型"2D"或"3D"。

   模型训练脚本参数说明如下。

   公共参数：
   --data_path                              //数据集路径
   --landmarks_type                         //关键点类型
   --steps                                  //重复训练次数

   训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

   关键点坐标，图像数据保存路径如下：

    #2D关键点坐标保存路径如下
    $FAN_ROOT/result/points/2D_npu.npy
    #3D关键点坐标保存路径如下
    $FAN_ROOT/result/points/3D_npu.npy
    #2D关键点图像保存路径如下
    $FAN_ROOT/result/images/2D/
    #3D关键点图像保存路径如下
    $FAN_ROOT/result/images/3D/

训练结果展示

表 2 训练结果展示表

NAME	FPS	Epochs	Landmarks_Type	Torch_Version
1p-竞品V	0.62	50	2D	1.5
1p-竞品V	0.49	50	3D	1.5
1p-NPU	0.59	50	2D	1.5
1p-NPU	0.47	50	3D	1.5

版本说明

变更

2020.10.14：更新内容，重新发布。

2020.07.08：首次发布。

FAQ

无。