參考文檔：https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/face_detection
1數據準備
（示例：WIDERFACE官網下載數據和標註信息,訓練使用訓練集和驗證集，訓練集3.2w張
圖片）推薦使用1w張以上指定場景640*640以上分辨率圖片進行訓練，所有圖片需要預先
標註人臉信息並存於指定txt文檔中，驗證集使用訓練集1/4數量，驗證集應當使用同場景
的不同圖片。
將準備好的標註數據按需要分類放於data目錄如下：
data
|--download.sh
|--wider_face_split
||--readme.txt
||--wider_face_train_bbx_gt.txt
||--wider_face_val_bbx_gt.txt
|`--...
|--WIDER_train
|`--images
||--0--Parade
|...
|`--9--Press_Conference
`--WIDER_val
`--images
|--0--Parade
...
`--9--Press_Conference
2模型準備
下載caffe預訓練模型，放置於數據目錄：
wgethttp://paddlemodels.bj.bcebos.com/vgg_ilsvrc_16_fc_reduced.tar.gz
tar-xfvgg_ilsvrc_16_fc_reduced.tar.gz&&rm-fvgg_ilsvrc_16_fc_reduced.tar.gz
3開始訓練
train.py是訓練模塊的主要執行程序，地址：
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/face_detection
調用示例如下：
python-utrain.py--batch_size=16--pretrained_model=vgg_ilsvrc_16_fc_reduced
或者python3-utrain.py--batch_size=16--pretrained_model=vgg_ilsvrc_16_fc_reduced
在train.py文件中編輯訓練參數：其中batch_size爲一次計算的樣本數量，在使用gpu訓練
時設置爲2的冪次方可以發揮最佳的性能，batch_size設置不能太大也不能太小，根據gpu
性能顯卡內存越大可以設置更大的batch_size，計算時間會大幅縮短，通常設置爲16，在使
用cpu進行訓練時只能設爲1-4根據CPU核數否則內存不夠。GPU性能越好能使訓練時間大
幅度縮短。實際工程中batch_size跑一個樣本和幾十個甚至上百個的時間是一樣的（需要
GPU有相應的核心數）。
4注意項：
1）需要預先安裝好paddlepaddle框架，按指定型號系統和機器安裝相應包。參考網站：
https://www.paddlepaddle.org.cn/install/quick
2）reader.py中設置讀取參數：data_dir數據路徑等
3）reader.py中第154行Image.HAMMING屬性不存在刪除；同時修改
第157行爲interp_indx=np.random.randint(0,4)
4）訓練150輪左右可收斂，訓練中觀察loss函數，人臉和頭部loss同時下降則收斂。可選
收斂後數個模型進行使用測試集進行精度比較。測試集應不包含訓練集圖片。
5）GPU必須使用nvidiaGPU支持CUDA，推薦使用nvidia1080或者208011G顯存以上GPU
進行訓練，否則使用CPU進行訓練。
