参考文档：https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/face_detection
1数据准备
（示例：WIDERFACE官网下载数据和标注信息,训练使用训练集和验证集，训练集3.2w张
图片）推荐使用1w张以上指定场景640*640以上分辨率图片进行训练，所有图片需要预先
标注人脸信息并存于指定txt文档中，验证集使用训练集1/4数量，验证集应当使用同场景
的不同图片。
将准备好的标注数据按需要分类放于data目录如下：
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模型准备
下载caffe预训练模型，放置于数据目录：
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开始训练
train.py是训练模块的主要执行程序，地址：
https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/face_detection
调用示例如下：
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文件中编辑训练参数：其中batch_size为一次计算的样本数量，在使用gpu训练
时设置为2的幂次方可以发挥最佳的性能，batch_size设置不能太大也不能太小，根据gpu
性能显卡内存越大可以设置更大的batch_size，计算时间会大幅缩短，通常设置为16，在使
用cpu进行训练时只能设为1-4根据CPU核数否则内存不够。GPU性能越好能使训练时间大
幅度缩短。实际工程中batch_size跑一个样本和几十个甚至上百个的时间是一样的（需要
GPU有相应的核心数）。
4注意项：
1）需要预先安装好paddlepaddle框架，按指定型号系统和机器安装相应包。参考网站：
https://www.paddlepaddle.org.cn/install/quick
2）reader.py中设置读取参数：data_dir数据路径等
3）reader.py中第154行Image.HAMMING属性不存在删除；同时修改
第157行为interp_indx=np.random.randint(0,4)
4）训练150轮左右可收敛，训练中观察loss函数，人脸和头部loss同时下降则收敛。可选
收敛后数个模型进行使用测试集进行精度比较。测试集应不包含训练集图片。
5）GPU必须使用nvidiaGPU支持CUDA，推荐使用nvidia1080或者208011G显存以上GPU
进行训练，否则使用CPU进行训练。
