RealTimeFaceDetection 项目使用教程

RealTimeFaceDetection 项目使用教程

1. 项目目录结构及介绍

RealTimeFaceDetection/
├── faceData/
│   ├── covoc.data
│   ├── mycfg.cfg
│   ├── process.py
│   ├── train.txt
│   ├── test.txt
│   ├── JPEGImages/
│   └── labels/
├── images/
├── model/
│   ├── mycfg_final.weights
│   └── yolo-lite.h5
├── yad2k/
│   ├── test_yolo.py
│   └── yolo_lite_anchors.txt
├── LICENSE
├── README.md
├── colabFace.ipynb
├── index.html
├── log.txt
├── main.js
└── mycfg_final.weights

目录结构说明

• faceData/: 包含用于训练和测试的数据文件，如 covoc.data、mycfg.cfg、process.py 等。
• images/: 存放项目中使用的图片文件。
• model/: 存放训练好的模型文件，如 mycfg_final.weights 和 yolo-lite.h5。
• yad2k/: 包含用于模型转换的脚本和配置文件。
• LICENSE: 项目的开源许可证文件。
• README.md: 项目的说明文档。
• colabFace.ipynb: 用于在 Google Colab 上训练模型的 Jupyter Notebook 文件。
• index.html: 项目的启动文件，用于在浏览器中运行实时人脸检测。
• log.txt: 日志文件，记录项目的运行日志。
• main.js: JavaScript 文件，用于处理模型输出并进行解码。
• mycfg_final.weights: 训练好的权重文件。

2. 项目的启动文件介绍

index.html

index.html 是项目的启动文件，用于在浏览器中运行实时人脸检测。只需将 model 文件夹、index.html 和 main.js 置于同一目录下，然后打开 index.html 即可实现 Demo 的效果。

main.js

main.js 是 JavaScript 文件，用于处理模型输出并进行解码。该文件实现了对 YOLO-lite 模型输出的解码逻辑，以便在浏览器中实时显示检测结果。

3. 项目的配置文件介绍

faceData/mycfg.cfg

mycfg.cfg 是 YOLO-lite 模型的配置文件，包含了模型的网络结构和训练参数。以下是一些关键配置项：

• batch: 每次训练的图片数量。
• subdivisions: 将 batch 分成多少个子批次。
• max_batches: 训练的总批次数。
• filters: 卷积层的过滤器数量，计算公式为 filters = num * (classes + 5)。
• classes: 目标检测的类别数量，本项目中为 1（人脸）。

faceData/covoc.data

covoc.data 是数据配置文件，包含了训练和测试数据的文件路径、类别数量等信息。以下是一些关键配置项：

• classes: 目标检测的类别数量。
• train: 训练图片的路径。
• test: 测试图片的路径。
• backup: 训练所得权重文件的输出目录。

yad2k/test_yolo.py

test_yolo.py 是用于测试 YOLO-lite 模型的 Python 脚本。在使用该脚本进行测试前，需要注意修改第 83 行和第 113 行，以确保模型参数的正确读取。

colabFace.ipynb

colabFace.ipynb 是用于在 Google Colab 上训练模型的 Jupyter Notebook 文件。该文件包含了训练 YOLO-lite 模型的详细步骤和代码。

通过以上介绍，您可以更好地理解和使用 RealTimeFaceDetection 项目。希望本教程对您有所帮助！