PyTorch-Facial-Expression-Recognition

1.介绍

基于PyTorch的图像分类Pipeline,该训练框架采用Pytorch-Base-Trainer(PBT), 整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

• Github: Pytorch-Base-Trainer: Pytorch分布式训练框架
• pip安装包： basetrainer
• Pytorch基础训练库Pytorch-Base-Trainer(支持模型剪枝 分布式训练)使用教程

2.安装

• 依赖Python包：requirements.txt

# 先安装Anaconda3
# 在conda新建虚拟环境pytorch-py36(如果已经存在，则无需新建)
conda create -n pytorch-py36 python==3.6.7
# 激活虚拟环境pytorch-py36(每次运行都需要运行)
conda activate  pytorch-py36
# 安装工程依赖的包(如果已经安装，则无需安装)
pip install -r requirements.txt

3.数据：准备Train和Test数据

• Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称

• 类别文件：一行一个列表： class_name.txt (最后一行,请多回车一行)

• 修改配置文件数据路径：config.yaml

train_data: # 可添加多个数据集
  - 'data/dataset/train' 
  - 'data/dataset/train2'
test_data: 'data/dataset/test'
class_name: 'data/dataset/class_name.txt'

4.训练

python train.py -c configs/config.yaml 

• 目标支持的backbone有：googlenet,inception_v3,resnet[18,34,50],mobilenet_v2等，详见backbone等 ，其他backbone可以自定义添加
• 训练参数可以通过config.yaml配置文件

参数	类型	参考值	说明
train_data	str, list	-	训练数据文件，可支持多个文件
test_data	str, list	-	测试数据文件，可支持多个文件
class_name	str	-	类别文件
work_dir	str	work_space	训练输出工作空间
net_type	str	resnet18	backbone类型,{resnet18/34/50,mobilenet_v2,googlenet,inception_v3}
input_size	list	[128,128]	模型输入大小[W,H]
batch_size	int	32	batch size
lr	float	0.1	初始学习率大小
optim_type	str	SGD	优化器，{SGD,Adam}
loss_type	str	CELoss	损失函数
scheduler	str	multi-step	学习率调整策略，{multi-step,cosine}
milestones	list	[30,80,100]	降低学习率的节点，仅仅scheduler=multi-step有效
momentum	float	0.9	SGD动量因子
num_epochs	int	120	循环训练的次数
num_warn_up	int	3	warn_up的次数
num_workers	int	12	DataLoader开启线程数
weight_decay	float	5e-4	权重衰减系数
gpu_id	list	[ 0 ]	指定训练的GPU卡号，可指定多个
log_freq	in	20	显示LOG信息的频率
finetune	str	model.pth	finetune的模型
progress	bool	True	是否显示进度条
distributed	bool	False	是否使用分布式训练

5.测试Demo

• 先修改demo.py

def get_parser():
    # 配置文件
    config_file = "configs/config.yaml"
    # 模型文件
    model_file = "work_space/mobilenet_v2/model/latest_model_099_97.5248.pth"
    # 待测试图片目录
    image_dir = "data/test_image"
    parser = argparse.ArgumentParser(description="Inference Argument")
    parser.add_argument("-c", "--config_file", help="configs file", default=config_file, type=str)
    parser.add_argument("-m", "--model_file", help="model_file", default=model_file, type=str)
    parser.add_argument("--device", help="cuda device id", default="cuda:0", type=str)
    parser.add_argument("--image_dir", help="image file or directory", default=image_dir, type=str)
    return parser

• 然后运行demo.py

python demo.py

6.可视化

目前训练过程可视化工具是使用Tensorboard，使用方法：

tensorboard --logdir=path/to/log/