homedawn

当我做训练的时候，pNet中neg：part：pos：landmark=3:1:1:2，但是RNet和和ONet训练样本比例并没有约束在3:1:1:2，这是否影响到模型训练出来误检率大的原因

生成RNet的训练样本是基于PNet网络检测的，可能PNet网络检测效果不好 

我没用过paddlepaddle，你用不一样的库效果肯定会有差别 

@zm931116 你好，关于提速，提到“预测来说P网络金字塔可以改为并行执行”，我采用的是multiprocessing.pool.map,但是报错“cPickle.PicklingError: Can't pickle : attribute lookup __builtin__.module failed”，在map()函数的第二个参数：迭代器中使用了FcnDetector的实例传进去！望求教 @

可以说，整个人脸识别的耗时主要集中在三个网络层里，我的配置是i5+gtx 1070+8G，跑三个网络层就耗时将近85%的总时间

耗时没多大研究，误检可能之前的训练方法不对，后面重新训练几次有改善一些，主要可能还是训练集的问题

试一试在widerface上训练一下。关于耗时问题发现pNet最耗时几乎占了整个识别的90%时间，在研究pNet加入多进程来提升效率，碰到了一些问题还没解决，有人一起研究一下么？ ps:我发现github上的@不懂用，哪位大神可否告知一下哈

训练的时候是Pnet训练完再训练Rnet，Rnet里传入Pnet训练完的模型

@liqiang311

@htjacky 没有验证，目前在看减少耗时的问题