年齡性別識別¶

年齡性別識別，基於insightface功能模塊開發的，支持多張人臉同時檢測和識別。

源碼地址：https://github.com/yeyupiaoling/Age-Gender-MXNET

環境¶

安裝mxnet，支持1.3~1.6版本，安裝命令如下。
```shell script
pip install mxnet-cu101==1.5.0

# 數據集

 - 默認支持以下三種數據集，將以下三個數據集下載解壓到`dataset`目錄下。

1. http://afad-dataset.github.io/
2. http://mmlab.ie.cuhk.edu.hk/projects/MegaAge/
3. https://ibug.doc.ic.ac.uk/resources/agedb/

 - 執行生成數據列表。
```shell script
python create_dataset.py

如果想訓練自定義數據集，只需生成類似以下的數據列表就可以了。
```shell script
dataset/AgeDB/0_MariaCallas_35_f.jpg,0,35
dataset/AgeDB/10000_GlennClose_62_f.jpg,0,62
dataset/AgeDB/10001_GoldieHawn_23_f.jpg,0,23
dataset/AgeDB/10003_GoldieHawn_24_f.jpg,0,24
dataset/AgeDB/10004_GoldieHawn_27_f.jpg,0,27
dataset/AgeDB/10005_GoldieHawn_28_f.jpg,0,28
dataset/AgeDB/10006_GoldieHawn_29_f.jpg,0,29

如果想看各個年齡的分佈，可以執行`show_age_distribution.py`生成年齡分佈圖。

![](/static/files/2021-04-07/09fb3bb01d824c508da785524df36e05.png)


# 訓練

開始訓練，具體參數可以查看代碼，這裏介紹一下`network`參數，這個參數是選擇模型的，當指定爲`r50`則選擇ResNet作爲特徵提取模型，當`m50`則使用MobileNet作爲特徵提取模型。
```shell script
python train.py

訓練輸出的結果：

gpu num: 1
num_layers 50
data_shape [3, 112, 112]
Called with argument: Namespace(batch_size=128, color=0, ctx_num=1, cutoff=0, data_dir='dataset', data_shape='3,112,112', end_epoch=200, gpu_ids='0', image_channel=3, image_h=112, image_w=112, lr=0.1, lr_steps='10,30,80,150,200', network='m50', num_layers=50, prefix='temp/model', pretrained='', rand_mirror=1, rescale_threshold=0, version_input=1, version_output='GAP')
1 GAP 32
INFO:root:loading recordio dataset\train.rec...
INFO:root:dataset\train.rec 數據大小：303018
INFO:root:是否隨機翻轉圖片：1
INFO:root:loading recordio dataset\val.rec...
INFO:root:dataset\val.rec 數據大小：1032
INFO:root:是否隨機翻轉圖片：False
call reset()
開始訓練...
INFO:root:Epoch[0] Batch [0-20] Speed: 520.85 samples/sec   acc=0.572545    MAE=10.734747   CUM_5=0.240699
INFO:root:Epoch[0] Batch [20-40]    Speed: 518.95 samples/sec   acc=0.589844    MAE=9.351172    CUM_5=0.289844
INFO:root:Epoch[0] Batch [40-60]    Speed: 516.86 samples/sec   acc=0.603125    MAE=9.184766    CUM_5=0.303906
INFO:root:Epoch[0] Batch [60-80]    Speed: 508.44 samples/sec   acc=0.609766    MAE=8.759375    CUM_5=0.336719
INFO:root:Epoch[0] Batch [80-100]   Speed: 461.26 samples/sec   acc=0.656250    MAE=8.224609    CUM_5=0.361328
INFO:root:Epoch[0] Batch [100-120]  Speed: 518.43 samples/sec   acc=0.696875    MAE=7.611328    CUM_5=0.400391
INFO:root:Epoch[0] Batch [120-140]  Speed: 514.88 samples/sec   acc=0.715234    MAE=7.224609    CUM_5=0.426172
INFO:root:Epoch[0] Batch [140-160]  Speed: 517.80 samples/sec   acc=0.722266    MAE=6.976172    CUM_5=0.437500

評估¶

訓練結束之後，執行下面的命令評估模型的識別準確率。
```shell script
python eval.py

輸出結果，從結果來看，準確率還是可以的。
```shell
100%|██████████| 1032/1032 [00:06<00:00, 153.75it/s]
性別準確率：0.972868
年齡準確率：0.761628

預測¶

使用訓練好的模型或者筆者提供的模型執行年齡性別識別，通過指定圖像文件路徑完成識別。
```shell script
python infer.py –image=test.jpg

識別輸出結果：
```shell
第1張人臉，位置(160, 32, 204, 84), 性別：男, 年齡：30
第2張人臉，位置(545, 162, 579, 206), 性別：女, 年齡：31
第3張人臉，位置(632, 118, 666, 158), 性別：男, 年齡：28
第4張人臉，位置(91, 159, 151, 237), 性別：男, 年齡：38
第5張人臉，位置(723, 123, 760, 169), 性別：男, 年齡：26
第6張人臉，位置(263, 120, 317, 191), 性別：男, 年齡：27
第7張人臉，位置(438, 134, 481, 190), 性別：男, 年齡：46
第8張人臉，位置(908, 160, 963, 224), 性別：男, 年齡：35
第9張人臉，位置(39, 51, 81, 102), 性別：女, 年齡：31
第10張人臉，位置(807, 148, 847, 196), 性別：女, 年齡：26
第11張人臉，位置(449, 40, 485, 84), 性別：男, 年齡：29
第12張人臉，位置(378, 46, 412, 86), 性別：女, 年齡：33
第13張人臉，位置(534, 46, 567, 83), 性別：男, 年齡：30
第14張人臉，位置(272, 20, 311, 67), 性別：男, 年齡：28
第15張人臉，位置(358, 216, 375, 237), 性別：男, 年齡：27

效果圖：

年齡性別識別¶

環境¶

評估¶

預測¶

相關文章