easyportrait

EasyPortrait - 面部解析和人像分割数据集

我们推出了一个大规模图像数据集EasyPortrait，用于人像分割和面部解析。该数据集可用于多项任务，如会议应用中的背景去除、牙齿美白、面部皮肤增强、红眼去除或眼睛着色等。

EasyPortrait数据集大小约为91.78GB，包含40,000张RGB图像（约38.3K全高清图像），带有高质量的标注掩码。该数据集按照user_id主题分为训练集、验证集和测试集。训练集包含30,000张图像，验证集包含4,000张图像，测试集包含6,000张图像。

更多信息请参阅我们的论文EasyPortrait – 面部解析和人像分割数据集。

🔥 更新日志

2023/11/13: 我们发布了EasyPortrait 2.0版本。✌️
- 40,000张RGB图像（约38.3K全高清图像）
- 增加了地区、种族、人类情绪和光照条件的多样性
- 数据进行了进一步清理并添加了新内容
- 训练/验证/测试集划分：（30,000）75% /（4,000）10% /（6,000）15%，按照user_id主题划分
- 多GPU训练和测试
- 为面部解析和人像分割添加了新模型
- 数据集大小为91.78GB
- 13,705个独特个体
2023/02/23: EasyPortrait（初始数据集）💪
- 数据集大小为26GB
- 20,000张RGB图像（约17.5K全高清图像），标注了9个类别
- 训练/验证/测试集划分：（14,000）70% /（2,000）10% /（4,000）20%，按照user_id主题划分
- 8,377个独特个体

旧版EasyPortrait数据集也可在EasyPortrait_v1分支中获取！

下载

链接	大小
`images`	91.8 GB
`annotations`	657.1 MB
`meta`	1.9 MB
`训练集`	68.3 GB
`验证集`	10.7 GB
`测试集`	12.8 GB

此外，您还可以从Kaggle下载EasyPortrait数据集。

结构

.
├── images.zip
│   ├── train/         # 训练集：30k
│   ├── val/           # 验证集：4k
│   ├── test/          # 测试集：6k
├── annotations.zip
│   ├── train/
│   ├── val/
│   ├── test/
├── meta.zip       # 元信息（宽度、高度、亮度、imhash、user_id）
...

模型

我们提供了一些预训练模型作为人像分割和面部解析的基准。我们使用平均交并比（mIoU）作为主要评估指标。

人像分割：

模型名称	参数量（百万）	输入尺寸	平均交并比
BiSeNet-V2	56.5	384 x 384	97.95
DANet	190.2	384 x 384	98.63
DeepLabv3	260	384 x 384	98.63
ExtremeC3Net	0.15	384 x 384	96.54
Fast SCNN	6.13	384 x 384	97.64
FCN + MobileNetv2	31.17	384 x 384	98.19
FPN + ResNet50	108.91	1024 × 1024	98.54
FPN + ResNet50	108.91	512 × 512	98.64
FPN + ResNet50	108.91	384 x 384	98.64
FPN + ResNet50	108.91	224 × 224	98.31
SegFormer-B0	14.9	1024 × 1024	98.74
SegFormer-B0	14.9	512 × 512	98.66
SegFormer-B0	14.9	384 x 384	98.61
SegFormer-B0	14.9	224 × 224	98.17
SINet	0.13	384 x 384	93.32

人脸解析：

模型名称	参数量 (百万)	输入尺寸	平均交并比
BiSeNet-V2	56.5	384 x 384	76.72
DANet	190.2	384 x 384	79.3
DeepLabv3	260	384 x 384	79.11
EHANet	44.81	384 x 384	72.56
Fast SCNN	6.13	384 x 384	67.56
FCN + MobileNetv2	31.17	384 x 384	75.23
FPN + ResNet50	108.91	1024 × 1024	85.37
FPN + ResNet50	108.91	512 × 512	83.33
FPN + ResNet50	108.91	384 x 384	81.83
FPN + ResNet50	108.91	224 × 224	75.6
SegFormer-B0	14.9	1024 × 1024	85.42
SegFormer-B0	14.9	512 × 512	83.19
SegFormer-B0	14.9	384 x 384	81.38
SegFormer-B0	14.9	224 × 224	74.83

标注

标注以2D数组的形式呈现，图像以 *.png 格式存储，包含多个类别：

索引	类别
0	背景
1	人物
2	皮肤
3	左眉
4	右眉
5	左眼
6	右眼
7	嘴唇
8	牙齿

此外，我们在 annotations/meta.zip 文件中提供了一些额外的数据集元信息：

	图像名称	用户ID	高度	宽度	集合	亮度
0	a753e021-...	56...	720	960	训练集	126
1	4ff04492-...	ba...	1920	1440	测试集	173
2	e8934c99-...	1d...	1920	1440	验证集	187

其中：

image_name - 不带扩展名的图像文件名
user_id - 唯一的匿名用户ID
height - 图像高度
width - 图像宽度
brightness - 图像亮度
set - "train"、"test" 或 "val" 分别表示训练集、测试集或验证集

图像

easyportrait

在EasyPortrait上进行训练、评估和测试

代码基于 MMSegmentation 0.30.0版本。

模型在8个NVIDIA V100 GPU上使用CUDA 11.2进行训练和评估。

安装过程请按照这里的说明进行，并使用我们仓库中的 requirements.txt 文件。

训练

单GPU模式：

python ./pipelines/tools/train.py ./pipelines/local_configs/easy_portrait_experiments/<model_dir>/<config_file>.py --gpu-id <GPU_ID>

分布式训练模式：

./pipelines/tools/dist_train.sh ./pipelines/local_configs/easy_portrait_experiments/<model_dir>/<config_file>.py <NUM_GPUS>

评估

单GPU模式：

python ./pipelines/tools/test.py <PATH_TO_MODEL_CONFIG>  <PATH_TO_CHECKPOINT> --gpu-id <GPU_ID> --eval mIoU

分布式评估模式：

./pipelines/tools/dist_test.sh <PATH_TO_MODEL_CONFIG>  <PATH_TO_CHECKPOINT> <NUM_GPUS> --eval mIoU

运行演示

```console python ./pipelines/demo/image_demo.py <图片路径> <模型配置路径> <检查点路径> --palette=easy_portrait --out-file=<输出文件路径> ```

作者与贡献者

引用

您可以使用以下BibTeX条目引用本论文：

@article{EasyPortrait,
    title={EasyPortrait - Face Parsing and Portrait Segmentation Dataset},
    author={Kapitanov, Alexander and Kvanchiani, Karina and Kirillova Sofia},
    journal={arXiv preprint arXiv:2304.13509},
    year={2023}
}