使用 TensorFlow 实现 PFLD

这是一个基于 https://arxiv.org/pdf/1902.10859.pdf 的开源程序参考实现。如果您发现任何 bug 或不正确之处，欢迎在 Issues 和 Pull Request 中提出，我们非常乐意接受您的建议。 同时感谢 @lucknote 帮助修复现有 bug。

数据集

WFLW 数据集

​ Wider 野外人脸关键点数据集 (WFLW) 包含 10000 张人脸图像（7500 张用于训练，2500 张用于测试），每张图像都配有 98 个完全手动标注的关键点。

1. 训练和测试图像 [Google Drive] [百度网盘]
2. WFLW 人脸标注文件

训练与测试

训练：

$ python data/SetPreparation.py
$ train.sh

使用 TensorBoard 时，请打开一个新的终端：

$ tensorboard  --logdir=./checkpoint/tensorboard/

测试：

$ python test.py

结果：

示例图片：

示例 GIF：

Bug 修复

1. 已添加计算欧拉角预测损失的代码。
2. 修复了内存泄漏问题： 代码中存在一个缺陷，在训练过程中会计算欧拉角的真值，这导致部分计算需要在 CPU 上完成，从而降低了训练速度。正确的做法是在预处理阶段就计算好欧拉角。

联系我们：

如果您有任何问题，请随时联系我们！同时也欢迎加入我们的 QQ 群（945933636）获取更多信息。

该文档由 DeepWiki 生成，并托管于 https://deepwiki.com/guoqiangqi/PFLD 。

PFLD 快速上手指南

PFLD (Practical Facial Landmark Detector) 是一个基于 TensorFlow 实现的高效人脸关键点检测开源项目，参考自论文《Practical Facial Landmark Detector》。本项目支持在野外环境下对人脸进行 98 个关键点的精准定位。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux 或 macOS（Windows 需配置相应 TensorFlow 环境）
• 编程语言：Python 3.x
• 核心框架：TensorFlow (建议版本 1.x，具体视原代码依赖而定)
• 其他依赖：
  • tensorboard (用于可视化训练过程)
  • opencv-python (通常用于图像处理，虽 README 未明示但为常规依赖)
  • numpy, scipy 等科学计算库

建议使用虚拟环境（如 venv 或 conda）隔离依赖。

安装步骤

1. 克隆项目代码

git clone https://github.com/guoqiangqi/PFLD.git
cd PFLD

2. 安装 Python 依赖

请根据项目根目录下的 requirements.txt（如有）安装依赖，或手动安装核心库：

pip install tensorflow tensorboard numpy scipy opencv-python

提示：国内用户推荐使用清华源或阿里源加速安装： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow tensorboard ...

3. 数据集准备

本项目主要使用 WFLW (Wider Facial Landmarks in-the-wild) 数据集。

1. 下载图像数据（推荐百度网盘加速）：
   • 百度网盘下载链接
   • 或 Google Drive 下载链接
2. 下载标注文件：
   • WFLW Face Annotations

将下载的数据解压，并按照 data/SetPreparation.py 脚本预期的目录结构放置（通常需放入 data/ 目录下）。

基本使用

1. 数据预处理

在训练前，必须先运行预处理脚本来准备数据格式。

python data/SetPreparation.py

2. 模型训练

执行训练脚本开始训练过程。

./train.sh

注：如果 train.sh 没有执行权限，请先运行 chmod +x train.sh。

监控训练进度： 打开一个新的终端窗口，启动 TensorBoard 查看损失曲线和训练状态：

tensorboard --logdir=./checkpoint/tensorboard/

然后在浏览器中访问显示的地址（通常为 http://localhost:6006）。

性能优化提示： 原文指出，如果在训练过程中实时计算欧拉角真值（ground-truth）会导致 CPU 负载过高从而降低训练速度。建议在预处理阶段（即修改 SetPreparation.py 或相关数据处理代码时）预先计算好欧拉角并保存，以提升训练效率。

3. 模型测试

训练完成后，使用测试脚本评估模型效果或在图片上进行推理：

python test.py

测试完成后，可在项目目录或指定输出文件夹中查看带有 landmarks 标记的样本图片及 GIF 演示结果。