年龄与性别估计

这是一个基于 Keras 的 CNN 实现，用于从人脸图像中估计年龄和性别 [1, 2]。 在训练过程中，使用了 IMDB-WIKI 数据集。

• [2020年8月21日] 重构代码；使用 tensorflow.keras
• [2019年6月30日] 发布了另一个基于 PyTorch 的项目 这里
• [2018年11月12日] 启用 Adam 优化器；似乎比动量 SGD 更好
• [2018年9月23日] 目录下的演示
• [2018年8月11日] 添加了年龄估计子项目 这里
• [2018年7月5日] UTKFace 数据集可用于训练。
• [2018年4月10日] 增加了 APPA-REAL 数据集上的评估结果。

依赖项

• Python 3.6+

测试环境：

• Ubuntu 16.04, Python 3.6.9, Tensorflow 2.3.0, CUDA 10.01, cuDNN 7.6

使用方法

使用训练好的模型进行演示

运行演示脚本（需要网络摄像头）。 您也可以使用 --image_dir [IMAGE_DIR] 选项来使用 [IMAGE_DIR] 目录中的图片代替。

python demo.py

训练好的模型会自动下载到 pretrained_models 目录中。

从 IMDB-WIKI 数据集创建训练数据

首先，下载数据集。 通过以下命令将数据集下载并解压到 data 目录：

./download.sh

其次，过滤掉噪声数据并将标签序列化为 .csv 文件。 请查看 check_dataset.ipynb 以了解数据集的详细信息。 训练数据可以通过以下命令创建：

python create_db.py --db imdb

usage: create_db.py [-h] [--db DB] [--min_score MIN_SCORE]

此脚本清理噪声标签，并创建用于训练的数据库。

可选参数：
  -h, --help            显示此帮助消息并退出
  --db DB               数据集；wiki 或 imdb（默认：imdb）
  --min_score MIN_SCORE 最小人脸置信度（默认：1.0）

使用默认参数生成的文件已包含在本仓库中（meta/imdb.csv 和 meta/wiki.csv），因此无需自行运行此命令。

从 UTKFace 数据集创建训练数据 [目前不支持]

首先，从 UTKFace 数据集官网 下载图片。 可以在“Datasets”部分的“Aligned&Cropped Faces”中下载 UTKFace.tar.gz。 然后解压该压缩包。

tar zxf UTKFace.tar.gz UTKFace

最后，运行以下脚本以创建训练数据：

python create_db_utkface.py -i UTKFace -o UTKFace.mat

[注意]：由于 UTKFace 数据集中的人脸图像裁剪得非常紧密（面部周围没有留白），如果使用 UTKFace 数据集训练的权重，在 demo.py 中也需要对人脸进行紧密裁剪。 请将边距参数设置为 0 进行紧密裁剪：

python demo.py --weight_file WEIGHT_FILE --margin 0

预训练的权重可以在这里找到 这里。

训练模型

使用上述创建的训练数据训练模型架构：

python train.py

如果验证损失低于之前的轮次，每轮训练后的权重文件都会保存为 checkpoints/*.hdf5。

更改模型或其他训练参数

您可以通过命令行更改 默认设置，例如：

python train.py model.model_name=EfficientNetB3 model.batch_size=64

可用的模型可以在 这里 查看。

检查训练曲线

训练日志可以通过 wandb 轻松可视化，步骤如下：

1. 在 这里 创建账户
2. 在 wandb 中创建新项目（例如“age-gender-estimation”）
3. 在终端运行 wandb login 并授权
4. 使用 wandb.project=age-gender-estimation 参数运行训练脚本
5. 查看仪表板！

使用训练过的模型

python demo.py

usage: demo.py [-h] [--weight_file WEIGHT_FILE] [--margin MARGIN]
               [--image_dir IMAGE_DIR]

此脚本从网络摄像头输入中检测人脸，并对检测到的人脸进行年龄和性别估计。

可选参数：
  -h, --help            显示此帮助消息并退出
  --weight_file WEIGHT_FILE
                        权重文件路径（例如 weights.28-3.73.hdf5）
                        （默认：无）
  --margin MARGIN       检测到的人脸周围的边距，用于年龄和性别估计
                        （默认：0.4）
  --image_dir IMAGE_DIR
                        目标图片目录；如果设置，则使用 image_dir 中的图片代替网络摄像头（默认：无）

如果您使用自己训练的模型，请在 WEIGHT_FILE 中选择 checkpoints/*.hdf5 中表现最好的模型。

估计结果

在 imdb 上训练，在 wiki 上测试。

评估

在 APPA-REAL 数据集上的评估

您可以通过以下命令在 APPA-REAL（验证）数据集上评估训练好的模型：

python evaluate_appa_real.py --weight_file WEIGHT_FILE

有关 APPA-REAL 数据集的详细信息，请参阅 这里。

训练模型的结果如下：

MAE 表观年龄：5.33
MAE 实际年龄：6.22

文献 [5] 报道的最佳结果是：

MAE 表观年龄：4.08
MAE 实际年龄：5.30

请注意，上述结果是在使用 APPA-REAL 数据集的训练集对模型进行微调后获得的。

许可证

本项目采用 MIT 许可证发布。 然而，本项目中使用的 IMDB-WIKI 数据集 原本是在以下条件下提供的。

请注意，此数据集仅供学术研究使用。所有图像均来自互联网，版权归属于原作者。如果您发现其中有任何属于您的图像并希望将其删除，请及时告知我们，我们将立即从数据集中移除。

因此，本仓库中包含的预训练模型受这些条件限制（仅限于学术研究用途）。

参考文献

[1] R. Rothe, R. Timofte 和 L. V. Gool，“DEX：从单张图像中深度预测表观年龄”，ICCV 会议论文，2015年。

[2] R. Rothe, R. Timofte 和 L. V. Gool，“无需面部特征点，从单张图像中深度预测真实和表观年龄”，IJCV 期刊，2016年。

[3] H. Zhang, M. Cisse, Y. N. Dauphin 和 D. Lopez-Paz，“mixup：超越经验风险最小化”，arXiv:1710.09412，2017年。

[4] Z. Zhong, L. Zheng, G. Kang, S. Li 和 Y. Yang，“随机擦除数据增强”，arXiv:1708.04896，2017年。

[5] E. Agustsson, R. Timofte, S. Escalera, X. Baro, I. Guyon 和 R. Rothe，“在 APPA-REAL 数据库上使用深度残差回归器对静态图像进行表观和实际年龄估计”，FG 会议论文，2017年。

age-gender-estimation 快速上手指南

本指南基于 Keras (TensorFlow) 实现，用于从人脸图像中估算年龄和性别。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (推荐 Ubuntu 16.04+) 或 macOS/Windows (需配置相应环境)
• Python 版本: 3.6 或更高
• 核心依赖:
  • TensorFlow 2.3.0+ (包含 tensorflow.keras)
  • CUDA 10.01 & cuDNN 7.6 (如需 GPU 加速)
• 其他依赖: 安装脚本时会自动处理所需的 Python 库（如 opencv-python, h5py 等）。

提示：国内用户建议在安装 Python 依赖时使用清华或阿里镜像源以加速下载： pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆项目代码

   git clone https://github.com/yu4u/age-gender-estimation.git
   cd age-gender-estimation
   

2. 安装 Python 依赖 确保已安装 TensorFlow 2.x 版本，然后安装其他必要库：

   pip install -r requirements.txt
   

   (注：如果项目中没有 requirements.txt 文件，请直接运行 pip install tensorflow opencv-python h5py numpy)

基本使用

本项目提供了预训练模型，无需重新训练即可直接进行演示。

方式一：使用摄像头实时检测

直接运行演示脚本，程序会自动下载预训练模型到 pretrained_models 目录，并调用摄像头进行实时年龄和性别估算。

python demo.py

方式二：对指定目录下的图片进行检测

如果您没有摄像头，或想批量处理本地图片，可以使用 --image_dir 参数指定图片文件夹路径。

python demo.py --image_dir /path/to/your/images

自定义参数（可选）

• 指定模型权重：使用 --weight_file 加载特定的 .hdf5 模型文件。
• 调整裁剪边距：使用 --margin 调整人脸检测周围的边距（默认 0.4，若使用 UTKFace 训练的模型建议设为 0）。

示例：

python demo.py --weight_file pretrained_models/weights.28-3.73.hdf5 --margin 0.4

运行成功后，窗口将显示带有人脸框、估算年龄和性别的图像结果。