CelebA#

CelebA 数据集非常适合训练和测试用于面部检测的模型，尤其适用于识别面部特征，例如找到棕色头发的人，微笑着或戴眼镜的人。图像涵盖大的姿势变化，背景混乱，各种各样的人，并得到大量图像和丰富的标注的支持。这些数据最初是由香港中文大学 MMLAB 的研究人员收集的。

概览：

• 202,599名人的面部图像数量

• 10,177个唯一身份，但未提供身份名称

• 每个图像 40 个二进制属性注释

• 5个地标性位置（landmark locations）

数据文件：

• imgalignceleba.zip：裁剪和对齐的所有面部图像

• listevalpartition.csv：建议将图像划分为训练，验证和测试集。图像 1-162770 是训练集，图像 162771-182637 是验证集，182638-202599 是测试集。

• listbboxceleba.csv：每个图像的边界框信息。"x1" 和 "y1" 表示边界框的左上点坐标。"width" 和 "height" 代表边界框的宽度和高度。

• listlandmarksalign_celeba.csv：图像 landmarks 及其各自的坐标。有 5 个 landmarks：左眼，右眼，鼻子，左嘴，右嘴。

• listattrceleba.csv：每个图像的属性标签。有 40 个属性。 "1" 代表正，而 "-1" 代表负。

原始数据和 banner 图像来源来自 http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html。如网站上所述，CelebA 数据集仅可用于非商业研究目的。该数据集的创建者撰写了以下论文，这些论文使用CelebA进行人脸检测：

S. Yang, P. Luo, C. C. Loy, and X. Tang, "From Facial Parts Responses to Face Detection: A Deep Learning Approach", in IEEE International Conference on Computer Vision (ICCV), 2015

配置深度学习环境：

$ conda install pandas matplotlib tqdm
$ pip install tensorflow

GPU 版的安装：

$ conda install pandas matplotlib tqdm
$ conda install cudatoolkit=10.1
$ conda install cudnn=7.6.5
$ pip install tensorflow-gpu

测试是否成功安装：

import tensorflow as tf

A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])
C = tf.matmul(A, B)
tf.print(C)

输出：

[[19 22]
 [43 50]]

from pathlib import Path
import numpy as np
import pandas as pd
from PIL import Image
from tqdm import tqdm

PIC_DIR = 'img_align_celeba/img_align_celeba/'
ROOT = Path(PIC_DIR)
len(list(ROOT.iterdir())) # 查看数据量

202599

sizes = set()
for name in ROOT.iterdir():
    sizes.add(Image.open(name).size)

sizes # 输出全部尺寸

{(178, 218)}

# 读取图片到 tf
from matplotlib import pyplot as plt
WIDTH = 128
HEIGHT = 128

ds = tf.data.Dataset.list_files(PIC_DIR+"*.jpg")


@tf.function
def load_image(img_path, size=(WIDTH, HEIGHT)):
    img = tf.io.read_file(img_path)
    img = tf.image.decode_jpeg(img)  # 注意此处为jpeg格式
    img = tf.image.resize(img, size)
    return img

# 可视化
%matplotlib inline
%config InlineBackend.figure_format = 'svg'

plt.figure(1, figsize=(10, 10))
for i, img in enumerate(ds.map(load_image).take(25)):
    plt.subplot(5, 5, i+1)
    plt.imshow(img/255)
    plt.axis('off')
plt.show()