train mtcnn: a modified version by Zuo Qing from https://github.com/Seanlinx/mtcnn

训练环境windows 7/10, 其他环境未测试

十种Pnet20（原版Pnet等价计算量为43.7M）

模型名称	输入尺寸	计算量（不计bbox）	训练时精度	pooling个数	备注
Pnet20_v00	320x240	8.5 M	0.888-0.894	0	对标libfacedetection
Pnet20_v0	320x240	11.6 M	0.900-0.908	0	对标libfacedetection
Pnet20_v1	320x240	14.6 M	0.915-0.920	0
Pnet20_v2	320x240	18.4 M	0.928-0.933	0	对标原版pnet
Pnet20_v3	320x240	28.1 M	0.930-0.935	1	性价比不如v2
Pnet20_v4	320x240	46.9 M	0.945-0.950	0
Pnet20_v5	320x240	74.1 M	0.945-0.950	1	不建议使用
Pnet20_v6	320x240	79.9 M	0.952-0.957	0
Pnet20_v7	320x240	91.1 M	0.952-0.958	2	性价比不如v6
Pnet20_v8	320x240	109.4 M	0.954-0.958	0

三种Pnet20_s2（训练用的样本与上面并不相同）

模型名称	输入尺寸	计算量（不计bbox）	训练时精度	pooling个数	备注
Pnet20_s2v1	320x240	52.1 M	待测	0	stride=2
Pnet20_s2v2	320x240	91.6 M	待测	0	stride=2
Pnet20_s2v3	320x240	147.9 M	0.940-0.946	0	stride=2

两种Pnet16（训练用的样本与上面并不相同）

模型名称	输入尺寸	计算量（不计bbox）	训练时精度	pooling个数	备注
Pnet16_v0	256x192	7.5 M	0.857-0.865	0	stride=4
Pnet16_v1	256x192	9.8 M	0.873-0.879	0	stride=4

两种Rnet（原版Rnet计算量为1.5M）

模型名称	输入尺寸	计算量	训练时精度	pooling个数	备注
Rnet_v1	24x24	0.5 M	0.943-0.948	0	对标原版Rnet
Rnet_v2	24x24	1.4 M	0.957-0.962	0

三种Onet（原版Onet计算量为12.6M）

模型名称	输入尺寸	计算量	训练时精度	pooling个数	备注
Onet_v1	48x48	2.0 M	0.947-0.954	0	不含landmark
Onet_v2	48x48	3.2 M	0.961-0.967	0	不含landmark
Onet_v3	48x48	8.7 M	0.979-0.985	0	不含landmark

两种Lnet（原版Onet计算量为12.6M）

模型名称	输入尺寸	计算量	训练时L2	训练时L1	备注
Lnet_v1	48x48	3.3 M	约0.0021	约0.032	lnet_basenum=16
Lnet_v1	48x48	10.5 M	约0.0016	约0.026	lnet_basenum=32
Lnet_v2	48x48	3.5 M	约0.0014	约0.027	lnet_basenum=16
Lnet_v2	48x48	10.8 M	约0.0012	约0.025	lnet_basenum=32

两种Lnet106

模型名称	输入尺寸	计算量	训练时L2	训练时L1	备注
Lnet106_v1	48x48	10.6 M	待测	待测	lnet106_basenum=32
Lnet106_v1	48x48	36.8 M	待测	待测	lnet106_basenum=64
Lnet106_v2	48x48	10.9 M	0.0030-0.0036	0.040-0.043	lnet106_basenum=32
Lnet106_v2	48x48	37.4 M	0.0019-0.0024	0.032-0.036	lnet106_basenum=64
Lnet106_v2	48x48	137.4 M	0.0017-0.0024	0.032-0.036	lnet106_basenum=128

两种Lnet106_96

模型名称	输入尺寸	计算量	训练时L2	训练时L1	备注
Lnet106_96_v1	96x96	38.6 M	待测	待测	lnet106_basenum=32
Lnet106_96_v1	96x96	131.8 M	待测	待测	lnet106_basenum=64
Lnet106_96_v2	96x96	10.9 M	待测	待测	lnet106_basenum=32
Lnet106_96_v2	96x96	37.4 M	待测	待测	lnet106_basenum=64

基本说明

(1)请使用ZQCNN_MTCNN来进行forward

(2)Pnet改为Pnet20需要在你的MTCNN中更改cell_size=20, stride=4

1920*1080图像找20脸，第一层Pnet20_v0输入尺寸1920x1080，计算量324.6M，原版Pnet输入1152x648，计算量1278.0M

(3)Rnet保持size=24不变，v1计算量约为原版1/3

(4)Onet带landmark我没有训练成功过

(5)Lnet是专门训练landmark的

训练建议

(1)下载WIDER_train解压到data文件夹

解压之后目录为data/WIDER_train/images

(2)双击gen_anno_and_train_list.bat

生成prepare_data/wider_annotations/anno.txt和data/mtcnn/imglists/train.txt

训练Pnet20

(3)双击P20_gen_data.bat

生成训练Pnet20所需样本

(4)双击P20_gen_imglist.bat

生成训练Pnet20的list文件

(5)双击P20_train.bat

训练Pnet20

(6)双击P20_gen_hard_example.bat

利用训练得到的Pnet20模型，生成用于进一步训练Pnet20的hard样本，请用文本方式打开，酌情填写参数

(7)双击P20_gen_imglist_with_hard.bat

生成用于进一步训练Pnet20的list文件

(8)双击P20_train_with_hard.bat

进一步训练Pnet20

训练Rnet

(9)双击R_gen_data.bat

生成训练Rnet所需样本

(10)双击R_gen_hard_example.bat

利用训练得到的Pnet20模型，生成用于训练Rnet的hard样本，请用文本方式打开，酌情填写参数

(11)双击R_gen_imglist_with_hard.bat

生成用于训练Rnet的list文件

(12)双击R_train_with_hard.bat

训练Rnet

训练Onet

(13)双击O_gen_data.bat

生成训练Onet所需样本

(14)双击O_gen_hard_example.bat

利用训练得到的Pnet20、Rnet模型，生成用于训练Onet的hard样本，请用文本方式打开，酌情填写参数

(15)双击O_gen_imglist_with_hard.bat

生成用于训练Onet的list文件

不带landmark

(16)双击O_train_with_hard.bat

训练Onet

带landmark

下载img_cut_celeba，解压到data/img_cut_celeba

图片位置在data/img_cut_celeba/xx.jpg

(17)双击O_gen_landmark.bat

生成训练Onet所需landmark样本

(18)双击O_gen_imglist_with_hard_landmark.bat

生成用于训练Onet的list文件

单独训练landmark

(19)双击L_train.bat

训练Lnet

省硬盘的方式训练landmark

选择以下三个数据集之一：(A)是原始celeba数据，(B)(C)是我加工过的，加载速度B>C>A，（我推荐用C，理论上用C应该和用A训练出来的结果一样）

(A)img_celeba，解压到data/img_celeba

图片位置在data/img_celeba/xx.jpg

以文本方式编辑 L_train_onlylandmark.bat, 设置参数--image_set img_celeba_all

修改config.py中config.landmark_img_set='img_celeba'

双击 L_train_onlylandmark.bat 运行

(B)img_align_celeba，解压到data/img_align_celeba

图片位置在data/img_align_celeba/xx.jpg

以文本方式编辑 L_train_onlylandmark.bat, 设置参数--image_set img_align_celeba_good

修改config.py中config.landmark_img_set='img_align_celeba'

双击 L_train_onlylandmark.bat 运行

(C)img_cut_celeba，解压到data/img_cut_celeba

图片位置在data/img_cut_celeba/xx.jpg

以文本方式编辑 L_train_onlylandmark.bat, 设置参数--image_set img_cut_celeba_all

修改config.py中config.landmark_img_set='img_cut_celeba'

双击 L_train_onlylandmark.bat 运行

备注：调整minibatch_onlylandmark.py里的参数得到的landmark精度不一样

训练106点landmark

下载Training_data106解压到data/Training_data106

解压后目录结构应为

data/Training_data106/AFW
data/Training_data106/HELEN
data/Training_data106/IBUG
data/Training_data106/LFPW

将 data/Training_data106/landmark106.txt拷贝到data/mtcnn/imglists/landmark106.txt， 在config.py设置

config.landmark_img_set = 'Training_data106'

双击L_train_onlylandmark106.bat开始训练