- CAFFE安装：
Makefile.config已经修改了好了，使用GPU的方式
所以直接使用下面的命令编译：
make -j8
# Make sure to include $CAFFE_ROOT/python to your PYTHONPATH.
make pycaffe
make test -j8
# (Optional)
make runtest -j8 - 数据处理：
(1) 利用脚本wider_face_2_voc.py脚本把wider_face数据转换成VOC格式。并遮盖掉小于20x20的人脸。
脚本的位置在：
(2) 在wider_face_2_voc.py的同一级目录中创建wider_face文件夹，放解压好下载的wider数据，如图：
(3) 运行wider_face_2_voc.py脚本，在wider_face文件夹中会生成VOC格式的数据，如图：
(4) 生成的图片会把小于20x20的人脸用图像均值覆盖掉，因为太小的人脸，训练时不容易收敛，如图：
(5) 利用data/FACE文件中的脚本，把VOC格式转换成LMDB格式，如图：
在caffe/data目录下创建faces_database文件夹，拷贝wider_face文件夹(前面生成的VOC格式数据)，layout如图：
cd caffe
\# Create the trainval.txt, test.txt, and test_name_size.txt in data/FACE/
./data/FACE/create_list.sh
\# You can modify the parameters in create_data.sh if needed.
\# It will create lmdb files for trainval and test with encoded original image:
\# data/faces_database/FACE/lmdb/FACE_trainval_lmdb
\# data/faces_database/FACE/lmdb/FACE_test_lmdb
\# and make soft links at examples/FACE/
./data/FACE/create_data.sh - 训练：
训练需要的参数文件和网络文件位置如图：
运行以下命令开始训练：
./build/tools/caffe train --solver examples/faceboxes/solver.prototxt
- 测评：
测评脚本以及模型文件位置如图：
FDDB上的测评结果(discontinuous)如图：
论文中的结果：
效果图：
- 参考：
- 优化：
train.prototxt支持Anchor densification strategy