PyTorch 版 RetinaFace

RetinaFace: Single-stage Dense Face Localisation in the Wild 的 PyTorch 实现。当 RetinaFace 使用 mobilenet0.25 作为主干网络（backbone net）时，模型大小仅为 1.7M。我们也提供 resnet50 作为主干网络以获得更好的效果。官方 Mxnet 代码可在此处找到。

移动端或边缘设备部署

我们还提供了一套适用于边缘设备的人脸检测器，详见此处，涵盖从 Python 训练到 C++ 推理的完整流程。

使用 Resnet50 作为主干网络时的 WiderFace 验证集单尺度性能

风格	easy	medium	hard
Pytorch (与 Mxnet 相同参数)	94.82 %	93.84%	89.60%
Pytorch (原始图像尺度)	95.48%	94.04%	84.43%
Mxnet	94.86%	93.87%	88.33%
Mxnet(原始图像尺度)	94.97%	93.89%	82.27%

使用 Mobilenet0.25 作为主干网络时的 WiderFace 验证集单尺度性能

风格	easy	medium	hard
Pytorch (与 Mxnet 相同参数)	88.67%	87.09%	80.99%
Pytorch (原始图像尺度)	90.70%	88.16%	73.82%
Mxnet	88.72%	86.97%	79.19%
Mxnet(原始图像尺度)	89.58%	87.11%	69.12%

FDDB 性能

FDDB(pytorch)	性能
Mobilenet0.25	98.64%
Resnet50	99.22%

目录

• 安装
• 训练
• 评估
• TensorRT
• 参考文献

安装

克隆与安装

1. git clone https://github.com/biubug6/Pytorch_Retinaface.git

2. 需要 Pytorch 1.1.0+ 和 torchvision 0.3.0+。

3. 代码基于 Python 3

数据

1. 下载 WIDERFACE 数据集。

2. 从百度云或dropbox下载标注文件（人脸边界框 & 五个面部关键点）

3. 按如下结构组织数据集目录：

  ./data/widerface/
    train/
      images/
      label.txt
    val/
      images/
      wider_val.txt

注：wider_val.txt 仅包含验证集文件名，不包含标注信息。

数据1

我们还提供了按上述目录结构组织好的数据集。

链接：谷歌云盘 或 百度云 密码：ruck

训练

我们提供 resnet50 和 mobilenet0.25 作为主干网络来训练模型。 我们在 imagenet 数据集上训练了 Mobilenet0.25，top 1 准确率达到 46.58%。如果您不希望训练模型，我们也提供了训练好的模型。预训练模型和训练好的模型已上传至谷歌云盘和百度云 密码：fstq。模型可按如下结构放置：

  ./weights/
      mobilenet0.25_Final.pth
      mobilenetV1X0.25_pretrain.tar
      Resnet50_Final.pth

1. 训练前，您可以在 data/config.py 和 train.py 中检查网络配置（如 batch_size、min_sizes 和 steps 等）。

2. 使用 WIDER FACE 训练模型：

CUDA_VISIBLE_DEVICES=0,1,2,3 python train.py --network resnet50 或
CUDA_VISIBLE_DEVICES=0 python train.py --network mobile0.25

评估

评估 widerface 验证集

1. 生成 txt 文件

python test_widerface.py --trained_model weight_file --network mobile0.25 或 resnet50

2. 评估 txt 结果。Demo 来自此处

cd ./widerface_evaluate
python setup.py build_ext --inplace
python evaluation.py

3. 您也可以使用 widerface 官方 Matlab 评估 demo，见此处

评估 FDDB

1. 下载 FDDB 图像至：

./data/FDDB/images/

2. 使用以下命令评估训练好的模型：

python test_fddb.py --trained_model weight_file --network mobile0.25 或 resnet50

3. 下载 eval_tool 来评估性能。

TensorRT

-TensorRT

参考文献

• FaceBoxes
• Retinaface (mxnet)

@inproceedings{deng2019retinaface,
title={RetinaFace: Single-stage Dense Face Localisation in the Wild},
author={Deng, Jiankang and Guo, Jia and Yuxiang, Zhou and Jinke Yu and Irene Kotsia and Zafeiriou, Stefanos},
booktitle={arxiv},
year={2019}

Pytorch_Retinaface 快速上手指南

环境准备

项目	要求
Python	3.x
PyTorch	1.1.0+
torchvision	0.3.0+
CUDA	支持 GPU 训练/推理（可选）

安装步骤

1. 克隆仓库

git clone https://github.com/biubug6/Pytorch_Retinaface.git
cd Pytorch_Retinaface

2. 安装依赖

pip install torch>=1.1.0 torchvision>=0.3.0
# 其他依赖（如需要）
pip install numpy opencv-python

3. 下载预训练模型（推荐）

模型	大小	下载
MobileNet0.25	1.7M	Google Drive / 百度网盘 密码: fstq
ResNet50	较大	同上

创建权重目录并放入模型：

mkdir weights
# 将下载的模型放入 ./weights/ 目录

基本使用

快速检测单张图片

import torch
import cv2
import numpy as np
from models.retinaface import RetinaFace
from utils.box_utils import decode, decode_landm
from utils.nms.py_cpu_nms import py_cpu_nms
from data import cfg_mnet, cfg_re50

# 配置
cfg = cfg_mnet  # 或 cfg_re50 用于 ResNet50
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 加载模型
net = RetinaFace(cfg=cfg, phase='test')
net = load_model(net, './weights/mobilenet0.25_Final.pth', False)
net.eval()
net = net.to(device)

# 图像预处理
img = cv2.imread('test.jpg')
img = cv2.resize(img, (640, 640))  # 根据需求调整
img = np.float32(img)
img -= (104, 117, 123)  # BGR mean
img = img.transpose(2, 0, 1)
img = torch.from_numpy(img).unsqueeze(0)
img = img.to(device)

# 推理
loc, conf, landms = net(img)

# 解码结果（后处理）
# ... 根据 decode/decode_landm 处理输出

使用官方测试脚本

WIDERFACE 评估：

python test_widerface.py \
    --trained_model ./weights/mobilenet0.25_Final.pth \
    --network mobile0.25

FDDB 评估：

python test_fddb.py \
    --trained_model ./weights/mobilenet0.25_Final.pth \
    --network mobile0.25

训练（可选）

# MobileNet0.25（轻量，适合边缘设备）
CUDA_VISIBLE_DEVICES=0 python train.py --network mobile0.25

# ResNet50（精度更高）
CUDA_VISIBLE_DEVICES=0,1,2,3 python train.py --network resnet50

---

提示：如需部署到移动端/边缘设备，可参考 Face-Detector-1MB-with-landmark 获取完整的 Python 训练到 C++ 推理方案。