一、相關知識

三個CNN串聯

P-Net：（12-Net）Fast proposal Network，找出備選框。

R-Net：（24-Net）Refinement Network，對備選框進行重新選擇   

O-Net：（48-Net）Output Network，輸出最終的box與最終的landmark position

二、訓練與執行 

2.1 背景知識

tfrecords

2.2 程式作用

gen_12net_data.py     訓練PNet的資料的取樣程式碼gen_hard_example.py     分別生成RNet和ONet的訓練資料gen_imglist_xxnet.py

    分別將三個網路的三個任務（分類，迴歸，特徵點檢測）的資料彙總到一個檔案中gen_xx_tfrecords.py     分別生成3個網路的tfrecord,在這裡需要注意：         PNet的訓練資料(pos,neg,part,landmark)是混在一起的，生成了一個tfrecord     RNet和ONet的各自需要生成4個tfrecord(pos,neg,part,landmark)，因為要控制各部分的樣本比例（1：3：1：1）loader.py     迭代器，用於讀取圖片read_tfrecord_v2.py/tfrecord_utils.py     用於讀取tfrecord資料，並對其解析utils.py     用於一些資料處理操作gen_landmark_tfrecords_aug_xx.py     用於生成特徵點的資料，在這裡並沒有生成tfreord,只是對進行資料增強（隨機映象、隨機旋轉）     此指令碼的輸入是trainImageList.txt,其中定義了檔案的路徑，人臉框的位置（x1,x2,y1,y2）,特徵點的位置（x1,y1,,,,,x5,y5）BBox_utils.py/landmark_utils.py     用於特徵點處理

2.3 命令列

訓練流程：

資料集下載，格式轉換。

以下每一步都要轉換目錄。訓練為根目錄，生成樣本為/prepare_data目錄

生成12net的訓練資料，把12net的訓練資料生成tfrecords檔案

python gen_shuffle_data.py 12
python gen_tfdata_12net.py 

訓練12net（P-Net）

python src/mtcnn_pnet_test.py

根據訓練結果生成12net輸出的難樣本，生成24net隨機樣本併合並這兩個生成的樣本

python tf_gen_12net_hard_example.py
python gen_shuffle_data.py 24
python gen_tfdata_24net.py

訓練24net（R-Net）

python src/mtcnn_rnet_test.py

根據生成的網路生成24net輸出的難樣本，生成48net隨機樣本併合並這兩個生成的樣本

python tf_gen_24net_hard_example.py
python gen_shuffle_data.py 48
python gen_tfdata_48net.py

訓練48-Net（O-Net）

python src/mtcnn_onet_test.py

2.4 執行程式

python test_img.py (IMAGE_PATH) --model_dir ./save_model/all_in_one
python test_img.py images/0_1_f_36.jpg --model_dir ./save_model/new_saver