mtcnn-caffe训练数据进行人头检测

整体结构参考链接：https://blog.csdn.net/wwww1244/article/details/81034045

本人项目链接（运行步骤没有问题）：
链接: https://pan.baidu.com/s/1lvkEQU7JxtcyYGgwhHdhFQ 提取码: 9ra2

默认系统已经搭建好了caffe（BLVC）环境

一．准备ｃｐｐ数据　（目录：prepare_mtcnn_cpp_data/）

1. 在caffe（ＢＬＶＣ） 环境新建文件： tools/convert_imageset_multi.cpp　
   
2. 进入mtcnn工程中prepare_mtcnn_cpp_data目录，运行copy.sh 复制文件到指定位置 (打开copy.sh文件，修改文件中的caffe 路径)
3. 重新编译caffe: make caffe

二．准备数据　(目录: train/)

4. 进入train目录，准备图片数据集（JPEGImages/ Annotations/）

所有的运行过程我已经写成.bat脚本文件

5. 生成12,24,48网络训练的图片数据，运行： bash prepar_data_file.bat
6. 生成12,24,48网络训练的lmdb数据，运行： bash prepar_lmdb_data.bat

三．训练阶段　(目录: train/)

7. 训练12(Ｐ)网络，运行：　bash train-12.bat
8. 训练24(Ｒ)网络，运行：　bash train-24.bat
9. 训练48(Ｏ)网络，运行：　bash train-48.bat

四．测试阶段　(目录: test/)

10. model/ :模型文件路径（复制训练新产生的文件到其中）;
    　　　mtcnn2.py调用模型文件(注意修改模型路径，已经调整threshold阀值，nms数值);
    　　　test.py调用mtcnn.py进行测试（注意修改其视频文件路径）

五．脚本文件解析　(目录: train/)

11. prepar_data_file.bat　下面以12Ｐ-net 举例 (另外两个网络相似)
    11.1 xml2txt_extract.py ：用于生成label.txt文件
    　11.2　label.txt：记录xml文件中所有<bndbox>的位置，格式为：　图片路径+目标框位置(x1,y1,x2,y2) 以空格隔开
    11.3 gen_12net_data2.py： 用于生成Ｐnet 所需要的图片:neg(IOU<0.3) part(0.4=<IOU<0.65) pos(IOu>=0.65)）,和相应的txt文件，以及所有图片的txt文件(label-train.txt)
    11.4 12net_train_val_split.py： 用于生成训练所需要的train val txt 文件
    　11.5　models-12/　用于保存训练产生的模型和snapshot文件
12. prepar_lmdb_data.bat　
    产生的数据分别防止在每个网络文件的img_train_lmdb和img_val_lmdb文件夹中
13. train-12.bat
    　 调用caffe接口进行训练,注意调整solver-x12.prototxt和det1-train.prototxt文件中的参数以获得更好的模型