CelebA（CelebFaces Attributes）数据库是一个大规模人脸图像数据集，由香港中文大学多媒体实验室于2015年发布，广泛应用于人脸识别、属性标注、图像生成等计算机视觉任务，该数据集包含超过20万张名人图像，每张图像均有40个二值属性标注（如“戴眼镜”“微笑”等），并提供了5个关键点位置和边界框信息，使其成为人脸分析领域的重要基准数据源，以下是CelebA数据库的具体使用方法，涵盖数据获取、预处理、模型训练及应用等环节。
数据获取与解压
申请与下载
访问CelebA官方主页（http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html），注册并填写申请表，审核通过后即可下载数据集，数据集分为四个部分：Img/img_align_celeba：对齐后的人脸图像（尺寸为178×178像素），共202,599张。Eval/list_eval_partition.txt：数据集划分文件，将图像分为训练集（162,770张）、验证集（19,867张）和测试集（19,962张）。Anno/list_attr_celeba.txt：40个属性的标注文件，每行对应一张图像，用“1”或“-1”表示是否具有该属性（如“5_o_Clock_Shadow”为1表示有胡茬）。Anno/list_landmarks_align_celeba.txt：5个关键点坐标（左眼、右眼、鼻尖、左嘴角、右嘴角），用于人脸对齐或关键点检测任务。
下载后解压至指定目录,建议结构如下：
CelebA/ ├── Img/ │ └── img_align_celeba/ # 图像文件 ├── Eval/ │ └── list_eval_partition.txt # 数据集划分 ├── Anno/ │ ├── list_attr_celeba.txt # 属性标注 │ └── list_landmarks_align_celeba.txt # 关键点坐标
数据解析与预处理
加载标注信息
使用Python读取标注文件，例如解析属性标注：
import pandas as pd attr_df = pd.read_csv('Anno/list_attr_celeba.txt', delim_whitespace=True, header=1) attr_df.columns = ['image_id'] + attr_df.columns[1:].tolist() # 将-1转换为0，1转换为1（表示是否具有属性） attr_df[attr_df.columns[1:]] = (attr_df[attr_df.columns[1:]] + 1) // 2数据集划分
根据list_eval_partition.txt划分数据集，partition_df = pd.read_csv('Eval/list_eval_partition.txt', delim_whitespace=True, header=None, names=['image_id', 'partition']) train_df = partition_df[partition_df['partition'] == 0] val_df = partition_df[partition_df['partition'] == 1] test_df = partition_df[partition_df['partition'] == 2]图像预处理
CelebA图像已对齐，但仍需根据任务需求进一步处理：- 尺寸调整：将图像缩放至模型输入尺寸（如224×224用于ResNet）。
- 数据增强：训练时随机裁剪、翻转、调整亮度/对比度，提升模型泛化能力。
- 归一化：按ImageNet均值（[0.485, 0.456, 0.406]）和标准差（[0.229, 0.224, 0.225]）归一化。
示例代码（使用PyTorch）：
from torchvision import transforms transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(), # 随机水平翻转 transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])
典型任务应用
人脸属性分类
以“是否戴眼镜”属性为例，构建CNN模型进行二分类：- 数据加载：使用
ImageFolder或自定义Dataset加载图像及对应属性标签。 - 模型设计：选用ResNet18、VGG等骨干网络，替换最后一层为全连接层（输出维度为1，Sigmoid激活）。
- 损失函数：二元交叉熵损失（BCEWithLogitsLoss）。
- 训练流程：分批次训练，监控验证集准确率，防止过拟合。
- 数据加载：使用
人脸关键点检测
利用list_landmarks_align_celeba.txt中的5个关键点坐标，回归任务训练模型：- 标签处理：将坐标归一化至[0,1]（相对于图像宽高）。
- 模型输出：全连接层输出10个值（5个关键点的x,y坐标）。
- 损失函数：均方误差（MSE）或Smooth L1 Loss。
人脸生成与编辑
结合生成对抗网络（GAN），如StyleGAN，利用CelebA图像生成高质量人脸或修改属性（如添加/摘除眼镜），需将属性标签作为条件输入生成器，实现可控生成。
注意事项
- 数据伦理：CelebA图像涉及名人隐私，需遵守数据使用协议，不得用于商业或非法用途。
- 属性平衡性：部分属性样本不均衡（如“双下巴”样本较少），训练时可采用过采样或加权损失函数。
- 版本兼容性：不同版本的CelebA标注文件可能存在差异，需确认标注格式的一致性。
相关问答FAQs
Q1: CelebA数据集的40个属性具体包括哪些？如何查看每张图像的属性标签？
A1: CelebA的40个属性涵盖人脸外观特征（如性别、戴眼镜、留胡子）、表情（微笑、惊讶）、配饰（戴帽子、戴项链）等，可通过list_attr_celeba.txt查看，其中每行第一列为图像文件名（如jpg），后续40列为对应属性值（1表示有，0表示无），使用以下代码读取某张图像的属性：
attr_df = pd.read_csv('Anno/list_attr_celeba.txt', delim_whitespace=True, header=1)
image_attrs = attr_df[attr_df['image_id'] == '000001.jpg'].iloc[0].to_dict()
print(image_attrs) # 输出该图像的所有属性 Q2: 如何解决CelebA训练时属性样本不均衡的问题？
A2: 可采用以下方法：
- 过采样/欠采样：对少数属性样本过采样（复制或SMOTE生成），或对多数属性欠采样（随机丢弃部分样本）。
- 损失函数加权：根据类别频率计算权重，在BCE损失中赋予少数类更高权重（如
weight=torch.tensor([pos_weight, 1.0])）。 - Focal Loss：通过调节难易样本的权重，减少易分样本对损失的贡献，提升模型对少数类的关注。
- 数据增强：对少数类样本应用更强的增强（如随机旋转、颜色抖动），增加样本多样性。
【版权声明】：本站所有内容均来自网络，若无意侵犯到您的权利，请及时与我们联系将尽快删除相关内容!
发表回复