SSH: Single Stage Headless Face Detector
這篇是ICCV2017關於人臉檢測的文章，提出SSH（single stage headless）算法有效提高了人臉檢測的效果，主要改進點包括多尺度檢測、引入更多的上下文信息、損失函數的分組傳遞等
論文鏈接：https://arxiv.org/abs/1708.03979
源碼鏈接：https://github.com/mahyarnajibi/SSH
一、SSH的配置
1.從github上clone源碼:
輸入下面的指令：
git clone --recursive https://github.com/mahyarnajibi/SSH.git
2.安裝 cuDNN 和 NCCL (用於多卡並行訓練used for multi-GPU training)
這裏就不詳細介紹啦
如果跑過caffe的，cudnn大家應該都是裝好的
NCCL的安裝可以參考：
https://github.com/NVIDIA/nccl
3.編譯caffe和pycaffe
（這個步驟相信配置過caffe的同學都很熟悉的啦）
首先進入caffe-ssh目錄下
cd /home/lincanran/SSH/SSH/caffe-ssh
因爲 Makefile.config.example 文件在該目錄下
然後複製一份Makefile.config.example，重命名爲Makefile.config
輸入：
cp Makefile.config.example Makefile.config
然後改一下Makefile.config的權限，不然有時候沒辦法修改Makefile.config的內容
輸入：
sudo chmod 777 Makefile.config
然後caffe-ssh目錄下就多了一個Makefile.config文件
然後修改其中的部分內容
（1）USE_OPENCV
原來：
# USE_OPENCV := 0
改成：
USE_OPENCV := 1
（2）INCLUDE_DIRS 和 LIBRARY_DIRS
原來：
# Whatever else you find you need goes here.
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
改成：
# Whatever else you find you need goes here.
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
（3）USE_CUDNN 和 WITH_PYTHON_LAYER 和 USE_NCCL已經幫我們打開好了，所以無需修改
（4）
然後保存退出即可
修改完成之後，接下來就是編譯caffe了
輸入：
sudo make -j8
編譯成功就是下面這樣：
如果遇到編譯caffe的問題，可以參考我之前的博文，有各種關於編譯caffe出錯的解決辦法
接下來繼續編譯pycaffe
輸入：
sudo make pycaffe
編譯成功就是下面這樣：
到這裏編譯就完成啦！
當然你也可以test一下：
make test -j8
# (Optional)
make runtest -j8
一般也不用進行test了
4.安裝一些用到的python庫:
這一步我們需要安裝一些用到的python庫
根據提供的requirements.txt文件裏得庫去pip install
首先要回到上一級目錄
輸入：
cd ..
sudo pip install -r requirements.txt
5.在lib文件夾中輸入make編譯:
輸入：
cd lib
sudo make
太長了，就截取一半
二、跑demo試一下配置是否成功
爲了跑demo，我們首先要下載訓練好的SSH模型，輸入下面的指令下載訓練好的SSH模型：
cd /home/lincanran/SSH/SSH
bash scripts/download_ssh_model.sh
默認下載好的模型保存在data/SSH_models目錄下
下載完SSH模型後，輸入下面的指令就可以跑demo了：
cd /home/lincanran/SSH/SSH
python demo.py
如果沒出錯，檢測的結果會以圖片的形式保存在 data/demo/demo_detections_SSH.png
我們發現data/demo/目錄下有2張圖
這是原圖：
這是SSH檢測後的圖：
（準確率好高！）
另外，跑demo時有一些options可以自己選擇
輸入：
python demo.py --help
三、如何訓練模型
這裏以 WIDER 數據集的訓練爲例，首先需要下載WIDER 訓練集 WIDER face training images
和標註 face annotations
（點擊即可下載，這裏是谷歌雲的，如果不能翻牆，就用官網提高的百度雲 資源 dataset website.）
然後把這些文件放到 data/datasets/wider/ (you can create symbolic links if you prefer to store the actual data somewhere else).
沒有datasets 和 wider文件夾的話就自己創建
然後我們需要下載VGG-16 ImageNet的預訓練模型，同樣輸入下面的指令進行下載：
cd /home/lincanran/SSH/SSH
bash scripts/download_imgnet_model.sh
在訓練之前，我們需要保證我們的文件如下圖的結構所示，這樣纔不會出錯：
開始訓練，輸入下面的指令，gpu根據你自己的實際情況去修改：
cd /home/lincanran/SSH/SSH
python main_train.py --gpus 0,1,2,3
開始訓練：
另外，訓練時有一些options可以自己選擇
輸入：
python main_train.py --help
一些注意點：
1.源碼中的默認訓練參數，比如number of iterations, stepsize, and learning rate都是按照論文裏的 4 個GPU來設置的
Please note that the default training parameters (e.g. number of iterations, stepsize, and learning rate) are set for training on 4 GPUs as described in the paper.
2.所有的SSH默認設置和配置（保存在SSH/configs/default_config.yml）可以通過寫一個外部配置文件來覆蓋 (--cfg [path-to-config-file].
All SSH default settings and configurations (saved in SSH/configs/default_config.yml) can be overwritten by passing an external configuration file to the module (--cfg [path-to-config-file]. See SSH/configs for example config files).
3.默認地，訓練的模型保存在output/[EXP_DIR]/[db_name]/ folder下，可以自己修改
By default, the models are saved into the output/[EXP_DIR]/[db_name]/ folder (EXP_DIR is set to ssh by default and can be changed through the configuration files, and db_name would be wider_train in this case).
訓練結束：
四、評估訓練好的模型
評估WIDER數據集基於官方的WIDER評估工具，需要安裝MATLAB。
而且需要下載驗證集圖片 validation images 和標註 annotations
（同樣，如果不能翻牆，就到官網下載百度雲的資源 dataset website. ）
同樣，這些文件也要放到 data/datasets/wider 目錄下，並以下面的格式：
然後可以直接用默認的參數進行評估，只需輸入：
python main_test.py --model [path-to-the-trained-model]
（注意，這裏的[ ]並不需要的。
其中的path-to-the-trained-model，就是訓練好的模型的位置，如果放在跟main_test.py一個目錄下，就不需要絕對地址，否則就需要寫全地址）
例如我的模型和py文件不在同一目錄下，所以：
python main_test.py --model /home/lincanran/SSH/SSH/output/ssh/wider_train/SSH_iter_21000.caffemodel
開始評估：
檢測的速度是0.156s一張圖
顯示 Writing the detections to text files: /home/lincanran/SSH/SSH/output/ssh/wider_val/SSH/detections...Done!
檢測結果保存在了 /home/lincanran/SSH/SSH/output/ssh/wider_val/SSH/detections 路徑下
我們去看看：
對應的就是驗證集裏每一張圖片的檢測結果：
舉個例子：
我們看0_Parade_Parade_0_960.txt這個文件
第一行就是圖片的路徑
第二行就是檢測到的人臉的數目
下面4行就是每個目標人臉的信息（前面4個是座標，最後一個是該目標爲人臉的置信度）
我們找到這張圖，確實4張人臉
另外，評估時有一些options可以自己選擇
輸入：
python main_test.py --help
一些注意點：
1.所有的SSH默認設置和配置（保存在SSH/configs/default_config.yml）可以通過寫一個外部配置文件來覆蓋 (--cfg [path-to-config-file]. （這裏跟訓練是一樣的）
All SSH default settings and configurations (saved inSSH/configs/default_config.yml) can be overwritten by passing an external configuration file to the module (--cfg [path-to-config-file]. See SSH/configs for example config files).
2.評估的輸出結果保存在 output/[EXP_DIR]/[db_name]/[net_name]目錄下，同樣可以自己修改配置文件。
The evaluation outputs are saved into output/[EXP_DIR]/[db_name]/[net_name] (EXP_DIR is set to ssh by default and can be changed by passing a config file, net_name can be directly passed to the module and is set to SSH by default, and db_namewould be wider_val in this case). This includes the detections saved as text files in a folder named detections,detections saved as a pickle file, and the WIDER evaluation plots saved in a folder named wider_plots.
3.檢測的結果會被保存起來，無需再次計算。
Please note that the detections will be cached by default and will not be re-computed again (the caching can be disabled by passing the --no_cache argument.)