FCHD-全卷积头部检测器

FCHD——一种快速且精确的头部检测器的代码

这是FCHD——一种快速而精确的头部检测器的代码。详情请参阅论文，演示视频请观看这里。

依赖项

• 该代码已在Ubuntu 16.04上测试通过。
• 安装支持GPU的PyTorch >=0.4（代码仅支持GPU），请参考官方文档。
• 安装cupy，可通过pip install cupy-cuda80或(cupy-cuda90, cupy-cuda91等)进行安装。
• 安装visdom用于可视化，请参考其GitHub页面。

安装

1. 安装PyTorch
2. 克隆本仓库

   git clone https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector
   

3. 构建Cython代码以提升速度：

   cd src/nms/
   python build.py build_ext --inplace
   

训练

1. 从以下链接下载Caffe预训练的VGG16模型：链接。将该预训练模型存放在data/pretrained_model文件夹中，文件名为vgg16_caffe.pth。
2. 从官方网站下载BRAINWASH数据集。解压后将其存放在data/文件夹中。
3. 在src/config.py文件中根据更新后的路径进行相应设置。
4. 启动visdom服务器以进行可视化：

   python -m visdom.server
   

5. 运行以下命令来训练模型：python train.py。

演示

1. 从以下链接下载表现最佳的模型：链接。文件名为head_detector_final。
2. 将头部检测模型存放在checkpoints/文件夹中。
3. 从根目录运行以下Python命令：

   python head_detection_demo.py --img_path <test_image_name> --model_path <model_path>
   

结果

方法	AP
Overfeat - AlexNet [1]	0.62
ReInspect, Lfix [1]	0.60
ReInspect, Lfirstk [1]	0.63
ReInspect, Lhungarian [1]	0.78
我们的方法	0.70

运行时性能

• 在配备512个CUDA核心的NVidia Quadro M1000M GPU上，运行帧率为5fps。

致谢

本工作基于多项优秀成果：

• Yun Chen的简单版Faster R-CNN PyTorch实现。
• Ross Girshick的py-faster-rcnn。

参考文献

[1] Stewart, Russell, Mykhaylo Andriluka, and Andrew Y. Ng. “拥挤场景中的端到端人体检测。” IEEE计算机视觉与模式识别会议论文集。2016年。

FCHD 人头检测器快速上手指南

FCHD (Fully-Convolutional Head Detector) 是一个快速且准确的人头检测开源项目，基于 PyTorch 实现。本指南将帮助你快速在本地部署并运行该模型。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统: Ubuntu 16.04 (其他 Linux 发行版可能需自行调整依赖)。
• 硬件要求: 必须配备 NVIDIA GPU (代码仅支持 GPU 运行)。
• 核心依赖:
  • PyTorch: 版本 >= 0.4 (建议使用与 CUDA 版本匹配的最新版)。
    • 国内加速: 推荐使用清华或中科大镜像源安装：

    pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple
    

  • CuPy: 用于 GPU 加速计算。请根据你的 CUDA 版本选择对应的包（如 cupy-cuda80, cupy-cuda90 等）。
    • 安装示例: pip install cupy-cuda90 -i https://pypi.tuna.tsinghua.edu.cn/simple
  • Visdom: 用于训练过程中的可视化。
    • 安装: pip install visdom -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆仓库 将项目代码下载到本地：

   git clone https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector
   cd FCHD-Fully-Convolutional-Head-Detector
   

2. 编译 Cython 代码 为了提升非极大值抑制 (NMS) 的运行速度，需要编译相关的 Cython 模块：

   cd src/nms/
   python build.py build_ext --inplace
   cd ../..
   

3. 准备预训练模型与数据集 (如需训练)

   • 预训练模型: 下载 VGG16 Caffe 预训练权重 (vgg16_caffe.pth) 并放入 data/pretrained_model/ 目录。
   • 数据集: 下载 BRAINWASH 数据集，解压后存入 data/ 目录。
   • 配置路径: 编辑 src/config.py 文件，确保其中的数据路径与实际存储路径一致。

基本使用

本项目提供了直接的演示脚本，可用于对单张图片进行人头检测。

1. 下载推理模型 从项目提供的链接下载表现最佳的模型文件 head_detector_final，并将其存放在项目根目录下的 checkpoints/ 文件夹中。

2. 运行检测演示 在项目根目录下执行以下命令，替换 <test_image_name> 为你的测试图片路径，<model_path> 为模型文件路径：

   python head_detection_demo.py --img_path <test_image_name> --model_path <model_path>
   

   示例:

   python head_detection_demo.py --img_path data/test.jpg --model_path checkpoints/head_detector_final
   

3. 查看结果 程序运行后，将输出检测结果。若需观察训练过程，可先在新终端启动 Visdom 服务：

   python -m visdom.server
   

   然后在浏览器访问 http://localhost:8097 查看可视化图表。