Skip to content

Latest commit

 

History

History
134 lines (116 loc) · 5.44 KB

README.md

File metadata and controls

134 lines (116 loc) · 5.44 KB

简体中文 | English

SCRFD 精度评测脚本使用指南

目录

1. 简介

本项目评测代码为基于WIDER FACE验证集的测评代码，由于其源代码为matlab版本不便于运行，故而基于其源代码修改。

数据集地址 (http://shuoyang1213.me/WIDERFACE/)

官方源码下载地址 (http://shuoyang1213.me/WIDERFACE/support/eval_script/eval_tools.zip)

本项目的目录所包含的文件如下：

.
├── box_overlaps.pyx              # Cython 语言的源代码文件，C拓展模块
├── evaluation.py                 # 评估脚本
├── files                         
│   └── download.png              
├── ground_truth                  # ground_truth数据目录
│   ├── wider_easy_val.mat        
│   ├── wider_face_val.mat        
│   ├── wider_hard_val.mat        
│   └── wider_medium_val.mat      
├── prediction_dir                # 预测结果存储目录
│   ├── 0--Parade
│       ├──  0_Parade_marchingband_1_20.txt   # 预测结果
│   ...
│   └── 61--Street_Battle
├── README.md                     # 项目说明
└── setup.py                      # 编译Cython，生成拓展模块

2. 数据及环境准备

2.1 数据集说明

为方便大家下载，本项目已将数据集的下载集成在 ./scripts/download.sh 脚本内， 您只需运行上述脚本即可。根据下载的数据集，请将其按照下面的文件夹格式放置：

.
├── datasets
... ├── face_det.mp4
    ├── test
    │   ├── men.jpg
    │   └── selfie.jpg
    └── WIDER_val
        └── images
            ├── 0--Parade
                ├──  0_Parade_marchingband_1_20.jpg
                ...
            ...
            └── 61--Street_Battle

其中，0--Parade是不同场景的文件夹，WIDER FACE 总共有61种场景， 如上目录所示，其中0_Parade_marchingband_1_20.jpg 是某场景下的图片。

2.2 结果数据格式

生产的数据会自动保存在： ./prediction_dir 目录下，对应的 groud truth 数据 会在执行完 ./scripts/download.sh 脚本后，自动解压到 ./ground_truth目录下。

生成以下预测结果：

.
├── prediction_dir
│   ├── 0--Parade
        ├── 0_Parade_marchingband_1_20.txt
        ├── 0_Parade_marchingband_1_74.txt
    ...
    └── 61--Street_Battle

0--Parade 表示不同场景类别的文件夹，而 WIDER FACE 数据集包含总计 61 种不同的场景类别。文件 0_Parade_marchingband_1_20.txt 包含了特定图片的预测结果，其格式如下所示：

image_name
the number fo faces  #  共计检测出多少张人脸
x, y, w, h, confidence  #  注意：x,y是检测框左上角的坐标，w,h为检测框的宽高，confidence是置信度

2.3 环境准备及共享对象文件编译

此外您还需要配置opencv等其他第三方库：

pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

然后，您需要编译对应的Cython源文件的C拓展模块，请参考下面指令执行：

cd tools
python3 setup.py build_ext --inplace

3. 数据生成

执行数据验证集的推理，并将结果存储在 prediction_dir 目录下。本案例提供两种不同模式的结果生成， 分别是 scrfd_opencv.py 和 scrfd_bmcv.py，您可以根据需要自行选择对应的程序。

scrfd_opencv.py 和 scrfd_bmcv.py的参数一致，以 scrfd_opencv.py 为例：

usage: scrfd_opencv.py [--input INPUT_PATH] [--bmodel BMODEL] [--dev_id DEV_ID]
                        [--conf_thresh CONF_THRESH] [--nms_thresh NMS_THRESH]
--input: 测试数据路径，请输入整个图片文件夹的路径；
--bmodel: 用于推理的bmodel路径，默认使用stage 0的网络进行推理；
--dev_id: 用于推理的tpu设备id；
--conf_thresh: 置信度阈值，设置为0.02；
--nms_thresh: nms阈值，设置为0.45；
--eval: 是否为精度评测使用,仅可在测试图片时使用，默认为False;

请注意，下面的数据生成共计3226张图片，预计需要花费10分钟左右。

cd ./sophon-demo/sample/SCRFD/
python3 ./python/scrfd_bmcv.py --input ./datasets/WIDER_val/ --bmodel ./models/BM1684X/scrfd_10g_kps_fp32_1b.bmodel  --dev_id 0 --conf_thresh 0.02 --nms_thresh 0.45 --eval True

4. 测试方法

经过以上的环境准备和数据准备，您可以运行下面的命令来对模型进行评估，我们提供了两种不同的测试方式，您可以自主选择。

evaluation.py的参数如下：

usage: evaluation.py [--pred prediction_path] [--gt ground_truth_path] [--all store_true]
--pred: 预测结果的路径，请输入整个图片文件夹的路径; 
--gt: ground_truth路径，请输入整个图片文件夹路径;
--all: 是否进行综合评测，会将三种难度（easy,medium,hard）的数据集图片进行，默认不开启;
cd ./sophon-demo/sample/SCRFD/tools
python3 evaluation.py --pred ./prediction_dir --gt ground_truth #--all