年龄性别深度学习

描述

本仓库旨在帮助读者复现我们在人脸图像年龄与性别分类任务上的研究成果，相关工作发表于：

Gil Levi 和 Tal Hassner，《使用卷积神经网络进行年龄与性别分类》，IEEE 面部与手势分析与建模研讨会（AMFG），于 IEEE 计算机视觉与模式识别会议（CVPR）期间举行，波士顿，2015年6月。

项目主页：http://www.openu.ac.il/home/hassner/projects/cnn_agegender/

代码中包含原始的元数据文件，内含年龄和性别标签；一个用于生成 prototxt 文件的 Python 脚本，以便创建用于训练的 lmdb 数据库；以及用于生成 lmdb 数据库和均值图像的 Shell 脚本。

我们还上传了一个 IPython 笔记本，其中展示了我们论文中情感分类网络的使用示例：

Gil Levi 和 Tal Hassner，《通过卷积神经网络与映射二值模式实现野外环境下的情感识别》，ACM 国际多模态交互会议（ICMI）论文集，西雅图，2015年11月。

如果您认为我们的模型或代码对您的工作有所帮助，请在您的研究中适当引用我们的论文。

此外，您还可以参考 Rude Carnie 基于 TensorFlow 对我们工作的实现：https://github.com/dpressel/rude-carnie

---

版权所有 2015年，Gil Levi 和 Tal Hassner

本页面提供的软件按“原样”提供，不对其适用性或是否适合任何特定用途作出任何保证。该软件可能包含错误，因此使用本工具的风险由您自行承担。对于因使用本工具而可能无意造成的任何形式的损害，我们概不负责。

AgeGenderDeepLearning 快速上手指南

环境准备

本项目基于 Caffe 框架开发，主要用于复现论文中关于人脸年龄和性别分类的结果。

系统要求：

• 操作系统：Linux (推荐 Ubuntu)
• 硬件：支持 CUDA 的 NVIDIA GPU（可选，但推荐用于加速训练）

前置依赖：

• Python 2.7 或 Python 3.x
• Caffe 深度学习框架及其 Python 接口 (pycaffe)
• LevelDB 或 LMDB 数据库支持
• OpenCV
• Jupyter Notebook (用于运行示例情绪分类代码)

注意：请确保已正确安装并配置 Caffe 环境变量，能够正常执行 caffe 和 python 命令。

安装步骤

1. 克隆仓库 获取源代码及原始的元数据文件（包含年龄和性别标签）。

   git clone https://github.com/GilLevi/AgeGenderDeepLearning.git
   cd AgeGenderDeepLearning
   

2. 准备数据集 本项目代码主要提供处理脚本，你需要自行准备人脸图像数据集（如 Adience 数据集），并将其放置在指定目录。

3. 生成训练数据 (LMDB) 使用提供的 Python 脚本生成 prototxt 配置文件，随后利用 Shell 脚本创建 LMDB 数据库和均值图像文件。

   生成 prototxt 文件:

   python create_proto.py
   

   创建 LMDB 和均值图像 (需根据实际路径修改 shell 脚本中的参数):

   sh create_lmdb.sh
   sh create_mean.sh
   

基本使用

完成数据准备后，即可使用 Caffe 进行模型训练或测试。

训练模型 使用生成的 LMDB 数据和网络定义文件启动训练：

caffe train --solver=solver.prototxt

使用预训练模型进行测试 假设你已下载或训练好了 .caffemodel 文件，可以使用以下命令对单张图像进行分类测试（需编写简单的 Python 脚本加载模型）：

import caffe
import numpy as np
from PIL import Image

# 设置路径
MODEL_DEF = 'deploy.prototxt'
MODEL_WEIGHTS = 'age_gender_model.caffemodel'
IMAGE_FILE = 'test_image.jpg'

# 初始化网络
net = caffe.Net(MODEL_DEF, MODEL_WEIGHTS, caffe.TEST)

# 预处理图像
input_image = Image.open(IMAGE_FILE)
# ... (此处需添加具体的图像缩放、减均值等预处理逻辑，参考原项目 notebook)

# 执行前向传播
output = net.forward_all(data=np.asarray([input_image]))

# 获取结果
print("Age/Gender Prediction:", output)

查看示例笔记 项目中包含一个 IPython Notebook，展示了如何使用相关网络进行情绪分类（源自另一篇论文），可作为参考：

jupyter notebook emotion_classification_example.ipynb

引用说明：如果在研究或工作中使用了本项目的模型或代码，请务必引用原始论文： Gil Levi and Tal Hassner, "Age and Gender Classification Using Convolutional Neural Networks", IEEE Workshop on Analysis and Modeling of Faces and Gestures (AMFG), CVPR, 2015.