1,MS-Celeb-1M数据集: (已删)
MSR IRC是目前世界上规模最大、水平最高的图像识别赛事之一,由MSRA(微软亚洲研究院)图像分析、大数据挖掘研究组组长张磊发起,每年定期举办。从1M个名人中,根据他们的受欢迎程度,选择100K个。然后,利用搜索引擎,给100K个人,每人搜大概100张图片。共100K*100=10M个图片。测试集包括1000个名人,这1000个名人来自于1M个明星中随机挑选。而且经过微软标注。每个名人大概有20张图片,这些图片都是网上找不到的。其他常用人脸数据集:CAISA-WebFace,VGG-Face, MegaFace.
数据有对齐版可以直接用于训练(共80G数据):
FaceImageCroppedWithAlignment.tsv文件提取
下载并解压微软的大型人脸数据集MS-Celeb-1M后,将FaceImageCroppedWithAlignment.tsv文件还原成JPG图片格式。代码如下:
import base64
import struct
import os
def read_line(line):
m_id, image_search_rank, image_url, page_url, face_id, face_rectangle, face_data=line.split("\t")
rect=struct.unpack("ffff",base64.b64decode(face_rectangle))
return m_id, image_search_rank, image_url, page_url, face_id, rect, base64.b64decode(face_data)
def write_image(filename, data):
with open(filename,"wb") as f:
f.write(data)
def unpack(file_name, output_dir):
i=0
with open(file_name, "r", encoding="utf-8") as f:
for line in f:
m_id, image_search_rank, image_url, page_url, face_id, face_rectangle, face_data = read_line(line)
img_dir = os.path.join(output_dir, m_id)
if not os.path.exists(img_dir):
os.mkdir(img_dir)
img_name = "%s-%s" % (image_search_rank, face_id) + ".jpg"
write_image(os.path.join(img_dir, img_name), face_data)
i += 1
if i % 1000 == 0:
print(i, "images finished")
print("all finished")
def main():
file_name = "G:\\FaceImageCroppedWithAlignment\\FaceImageCroppedWithAlignment.tsv"
output_dir = "E:\\MS-Celeb-1M\\"
unpack(file_name, output_dir)
if __name__ == '__main__':
main()
提取后数据总共800多万张人脸图像
网上有一份清理的文档 (包含79076个人,5049824张人脸图像)
【附】:一份干净的,列表(训练集)。MS-Celeb-1M_clean_list.txt
http://pan.baidu.com/s/1hrD9MgW