Modify the size in train and some file path

README.md

@@ -4,11 +4,10 @@
 
 ## 模型结构
 CenterFace是一种人脸检测算法，采用了轻量级网络mobileNetV2作为主干网络，结合特征金字塔网络（FPN）实现anchor free的人脸检测。
-
+![Architecture of the CenterFace](Architecture of the CenterFace.png)
 
 ## 算法原理
 CenterFace模型是一种基于单阶段人脸检测算法，作者借鉴了CenterNet的思想，将人脸检测转换为标准点问题，根据人脸中心点来回归人脸框的大小和五个标志点。
-![Architecture of the CenterFace](Architecture of the CenterFace.png)
 
 ## 环境配置
 ### Docker（方法一）
@@ -100,15 +99,25 @@ WIDER_FACE：http://shuoyang1213.me/WIDERFACE/index.html
 │       └──  61--Street_Battle
 ```
 
+<<<<<<< HEAD
 2. 如果是使用WIDER_train、WIDER_val数据, 可直接将./datasets/labels/下的train_wider_face.json重命名为train_face.json, val_wider_face.json重命名为val_face.json即可，无需进行标注文件格式转换；
 反之，需要将训练图片/验证图片对应的人脸关键点标注信息文件train.txt/val.txt，放置于 ./datasets/annotations/下（train存放训练图片的标注文件，val存放验证图片的标注文件），存放目录结构如下：
+=======
+2. 如果是使用WIDER_train数据, 可直接将./datasets/labels/下的train_wider_face.json重命名为train_face.json即可，无需进行标注文件格式转换；反之，需要将训练图片对应的人脸关键点标注信息文件(xxxx.txt)，放置于 ./datasets/annotations/下（train存放训练图片的标注文件，val存放验证图片的标注文件），存放目录结构如下：
+>>>>>>> c9fac124caf657ec86fd6a58ca90e1da5f88f6cb
 
 ```
 ├── annotations
 │   ├── train
+<<<<<<< HEAD
 │       ├── train.txt
 │   ├── val
 │       ├── val.txt
+=======
+│       ├── xxx.txt
+│   ├── val
+│       ├── xxx.txt
+>>>>>>> c9fac124caf657ec86fd6a58ca90e1da5f88f6cb
 ```
 
 特别地，标注信息的格式为：
@@ -133,7 +142,11 @@ cd ./datasets
 python gen_data.py
 ```
 
+<<<<<<< HEAD
 执行完成后会在./datasets/labels下生成训练数据的标注文件 train_face.json、val_face.json
+=======
+执行完成后会在./datasets/labels下生成训练数据的标注文件 train_face.json
+>>>>>>> c9fac124caf657ec86fd6a58ca90e1da5f88f6cb
 
 
 ## 训练

src/lib/datasets/dataset/centerface_hp.py

@@ -31,8 +31,9 @@ class FACEHP(data.Dataset):
 
         self.acc_idxs = [1, 2, 3, 4]
         self.data_dir = opt.data_dir
-        self.img_dir = os.path.join(self.data_dir, 'images/train')  # 训练图片所在地址
         _ann_name = {'train': 'train', 'val': 'val'}
+        self.img_dir = os.path.join(self.data_dir, f'images/{_ann_name[split]}')  # 训练图片所在地址
+        print('===>', self.img_dir)
         if split == 'val':
             self.annot_path = os.path.join(
                 self.data_dir, 'labels',

src/train.sh

 #!/usr/bin/env bash
 
-python main.py --input_h 514 --input_w 514 --batch_size 8 --lr 5e-4 --data_dir ../datasets/images/train/
\ No newline at end of file
+python main.py --input_h 512 --input_w 512 --batch_size 8 --lr 5e-4 --data_dir ../datasets/
\ No newline at end of file

src/train_multi.sh

 #!/usr/bin/env bash
 
-python main.py --input_h 514 --input_w 514 --batch_size 8 --lr 5e-4 --data_dir ../datasets/images/train/ --gpus 0,1
\ No newline at end of file
+python main.py --input_h 512 --input_w 512 --batch_size 8 --lr 5e-4 --data_dir ../datasets/ --gpus 0,1
\ No newline at end of file