简介这份资源面向计算机视觉方向的科研人员、算法工程师与深度学习入门者提供一套可直接用于性别检测与分类训练的人脸数据集。数据源自真实手机采集共300张高质量人脸图片按woman与man两个子集完成分类划分与标注可用于人脸检测、特征提取及性别分类等环节的模型训练与验证。压缩包共505个文件约339.41MB以317个Python脚本、48个config配置、29个proto与18个pbtxt等模型定义文件为主另含pb权重、checkpoint、record数据及少量jpg、png样本覆盖SSD、MTCNN等检测框架的配置与训练代码。已有59人学习下载。借助该资源读者可快速搭建性别分类实验流程结合Faster R-CNN、Mean-shift与卡尔曼滤波实现人流统计并分析特定性别的人流特征为智能监控与商业场景提供数据支撑。1. 300 张手机人脸图做性别分类小数据集到底能不能跑出可用模型很多人一提到深度学习性别检测第一反应就是「数据不够别玩」。但真实工程里我见过太多团队卡在第一步公开数据集动辄几十 G下载慢、标注乱、人脸角度单一真正想验证一个分类思路反而被数据准备拖了两周。这个标题里的方案恰好切中一个被忽视的场景——300 张高质量真实手机采集人脸图片已经按 woman / man 两类分好直接可用于深度学习算法训练。它解决的不是「刷 SOTA」的问题而是「我能不能在半天内把一条性别分类流水线跑通并看到准确率」的问题。适合两类人一是刚入门深度学习、想找一个干净二分类任务练手的新手二是需要快速验证人脸属性识别模块、又不想被大数据集绑架的一线工程师。300 张确实少但少不代表不能用关键看你把验证集切得够不够狠、增强做得够不够对、评估指标看得够不够细。下面我按自己实际跑这类小数据集的顺序把选型、划分、训练、避坑和进阶技巧一次讲透。2. 先想清楚300 张人脸图做性别分类的选型与数据划分逻辑2.1 为什么小数据集反而要先定评估协议300 张图按 8:2 切验证集只有 60 张。60 张里如果 woman 和 man 各 30 张那么每错一张准确率就掉 1.67 个百分点。这个粒度意味着你看到的「准确率 91%」和「准确率 88%」之间可能只差两张图统计意义非常弱。所以第一步不是写模型而是把评估协议钉死固定随机种子、固定划分文件、每次实验都读同一份划分。常见做法是把划分结果落成一个 CSV包含文件路径和标签训练脚本只认这个 CSV避免每次train_test_split重新洗牌导致指标不可比。我一般会额外留一个holdout目录从训练集里再抠出 20 张完全不参与训练和调参只在最后验收时跑一次。这样做的代价是训练数据更少但换来的是对「模型到底有没有过拟合」的清醒判断。小数据集最怕的就是反复在验证集上调参调到最后验证集已经变成训练集的一部分指标虚高。2.2 手机采集人脸的三个分布陷阱手机采集和公开数据集最大的区别在于分布。第一手机前置摄像头普遍带美颜和轻微畸变人脸区域偏中心、偏近第二光照以室内顶光为主侧光少模型容易学到「亮某类」的伪特征第三被采集者往往配合拍摄表情中性、正脸居多而真实场景里侧脸、遮挡、低头占比很高。这三点决定了你不能直接把 ImageNet 预训练模型拿来微调就完事必须用增强去模拟这些缺失的分布。具体做法是在训练增强里加入随机水平翻转、小角度旋转±15 度、随机裁剪缩放比例 0.8~1.0、亮度对比度抖动。注意不要加垂直翻转人脸上下颠倒不是真实分布加了反而引入噪声。颜色抖动幅度也别太大性别分类对肤色敏感过度抖动会让模型把肤色和性别错误关联。2.3 划分脚本把 300 张图切成可复现的三份下面这段脚本做三件事扫描原始目录、按类别分层抽样、输出 train/val/holdout 三个 CSV。分层抽样保证每份里 woman 和 man 比例一致避免某一份全是一类。import os import csv import random from pathlib import Path from collections import defaultdict random.seed(42) # 固定种子保证每次划分一致 RAW_DIR Path(raw_faces) # 原始目录下含 woman/ man/ 两个子目录 OUT_DIR Path(splits) OUT_DIR.mkdir(exist_okTrue) # 1. 按类别收集文件 buckets defaultdict(list) for label in [woman, man]: for p in (RAW_DIR / label).glob(*.jpg): buckets[label].append(str(p)) # 2. 每类内部打乱后按 7:2:1 切 split_data {train: [], val: [], holdout: []} for label, files in buckets.items(): random.shuffle(files) n len(files) n_train int(n * 0.7) n_val int(n * 0.2) for f in files[:n_train]: split_data[train].append((f, label)) for f in files[n_train:n_train n_val]: split_data[val].append((f, label)) for f in files[n_train n_val:]: split_data[holdout].append((f, label)) # 3. 写出 CSV for name, rows in split_data.items(): random.shuffle(rows) with open(OUT_DIR / f{name}.csv, w, newline, encodingutf-8) as fp: writer csv.writer(fp) writer.writerow([path, label]) writer.writerows(rows) print(name, len(rows))逻辑说明defaultdict(list)按类别聚合避免手动分目录random.seed(42)是复现的关键换种子等于换实验7:2:1 的切法在 300 张规模下大约是 210/60/30验证集 60 张刚好够看趋势holdout 30 张用于最终验收。参数上如果你发现某一类明显少于另一类可以把n_val改成按比例取整后再补一张保证验证集里两类都非空。跑完检查三个 CSV 的行数之和是否等于 300不等就是 glob 漏了非 jpg 后缀的文件。3. 用 PyTorch 把 300 张图跑成一条可复现训练流水线3.1 Dataset 与增强小数据集必须靠增强撑住PyTorch 的Dataset写法很固定但小数据集有两个细节容易翻车一是验证集和 holdout 不能加随机增强只能做 resize 和归一化二是训练集的增强要在__getitem__里做而不是提前离线生成否则每个 epoch 看到的都是同一批增强图等于变相减少了数据多样性。import torch from torch.utils.data import Dataset from PIL import Image from torchvision import transforms class FaceGenderDataset(Dataset): def __init__(self, csv_path, is_trainTrue): self.samples [] with open(csv_path, encodingutf-8) as fp: next(fp) # 跳过表头 for line in fp: path, label line.strip().split(,) self.samples.append((path, 0 if label woman else 1)) # 训练增强模拟手机采集的分布缺失 if is_train: self.tf transforms.Compose([ transforms.Resize((160, 160)), transforms.RandomHorizontalFlip(p0.5), transforms.RandomRotation(15), transforms.RandomResizedCrop(128, scale(0.8, 1.0)), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5]), ]) else: self.tf transforms.Compose([ transforms.Resize((128, 128)), transforms.ToTensor(), transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5]), ]) def __len__(self): return len(self.samples) def __getitem__(self, idx): path, label self.samples[idx] img Image.open(path).convert(RGB) return self.tf(img), torch.tensor(label, dtypetorch.long)逻辑说明RandomResizedCrop(128, scale(0.8,1.0))让模型见到不同的人脸占比模拟手机远近变化RandomRotation(15)覆盖轻微歪头ColorJitter只动亮度和对比度不动色相避免肤色漂移。归一化用 0.5 均值方差是二分类小任务的稳妥选择换成 ImageNet 统计量也可以但要在同一套实验里保持一致。验证集只做 resize 到 128保证输入尺寸和训练最终裁剪尺寸一致。3.2 模型选择ResNet18 微调 vs 从零搭 CNN300 张图从零训 CNN 基本没戏参数太多、样本太少训练 loss 能降但验证 loss 会很快反弹。常见做法是用torchvision.models.resnet18(pretrainedTrue)把最后的fc换成nn.Linear(512, 2)然后分两组学习率主干用 1e-4新加的 fc 用 1e-3。这样既利用预训练特征又不会因为主干学习率太大把已有特征冲垮。如果你环境里不方便下载预训练权重也可以自己搭一个 4 层卷积的小网络但要把通道数压到 16/32/64/128并在每个卷积后加 BatchNorm 和 Dropout(0.3)。我实测过小网络在 300 张上大概能到 80% 出头ResNet18 微调能到 90% 上下差距主要来自预训练特征对五官纹理的提取能力。3.3 训练循环与三个必调参数训练循环本身不复杂关键是三个参数batch size、学习率、epoch 数。300 张图batch size 设 16 或 32 都行设 16 时一个 epoch 约 14 步梯度噪声大一点反而有助于小数据集跳出局部最优。学习率按上面分组设epoch 先跑 30观察验证准确率曲线如果 15 个 epoch 内就平了说明学习率偏大或增强不够。import torch.nn as nn from torch.utils.data import DataLoader from torchvision import models device torch.device(cuda if torch.cuda.is_available() else cpu) train_ds FaceGenderDataset(splits/train.csv, is_trainTrue) val_ds FaceGenderDataset(splits/val.csv, is_trainFalse) train_loader DataLoader(train_ds, batch_size16, shuffleTrue, num_workers2) val_loader DataLoader(val_ds, batch_size16, shuffleFalse, num_workers2) model models.resnet18(pretrainedTrue) model.fc nn.Linear(512, 2) model model.to(device) # 分组学习率主干小分类头大 optimizer torch.optim.Adam([ {params: model.layer1.parameters(), lr: 1e-4}, {params: model.layer2.parameters(), lr: 1e-4}, {params: model.layer3.parameters(), lr: 1e-4}, {params: model.layer4.parameters(), lr: 1e-4}, {params: model.fc.parameters(), lr: 1e-3}, ]) criterion nn.CrossEntropyLoss() best_acc 0.0 for epoch in range(30): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() model.eval() correct total 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.to(device), labels.to(device) pred model(imgs).argmax(dim1) correct (pred labels).sum().item() total labels.size(0) acc correct / total if acc best_acc: best_acc acc torch.save(model.state_dict(), best_face_gender.pth) print(fepoch {epoch1} val_acc {acc:.4f})逻辑说明分组学习率是这段代码的核心layer1到layer4用 1e-4 做轻微微调fc用 1e-3 快速适配二分类。best_acc只在验证准确率提升时保存避免保存到过拟合的后期权重。num_workers2在 300 张规模下够用设太大反而增加进程开销。跑完后看打印如果验证准确率在 0.5 附近震荡多半是标签映射反了或归一化没对上先查这两处。4. 小数据集性别分类的避坑与排查5 个血泪教训4.1 验证准确率虚高holdout 一跑就掉现象验证集上 93%holdout 只有 78%。原因反复用验证集调参模型间接拟合了验证集。解决调参阶段只看训练 loss 趋势验证集最多用来选 epoch最终指标以 holdout 为准如果 holdout 掉太多说明增强不够或模型容量过大先把 ResNet18 换成更小的网络试。4.2 模型把背景当特征现象换一批背景不同的图准确率暴跌。原因手机采集时同一批人可能在相似背景下拍模型学到了背景颜色而不是人脸。解决训练时加随机裁剪让背景占比变化更彻底的做法是先用人脸检测框裁出人脸区域再送入分类把背景几乎去掉。4.3 两类样本数不均衡导致偏向现象模型几乎全预测成 woman 或全预测成 man。原因某一类样本明显多交叉熵被多数类主导。解决先统计两个 CSV 里各类数量如果差距超过 1.5 倍用WeightedRandomSampler给少数类更高采样权重或在 loss 里传weight参数。4.4 训练 loss 降但验证 loss 上升现象训练 loss 一路降到 0.1验证 loss 从第 8 个 epoch 开始涨。原因过拟合300 张图对 ResNet18 来说太少。解决加大 Dropout、加 weight decay1e-4、减少 epoch、或者冻结 layer1 和 layer2 只训后面两层。我一般先加 weight decay还压不住就冻结浅层。4.5 推理时预处理和训练不一致现象训练准确率 90%部署后单张图预测乱跳。原因推理时忘了做同样的 resize 和归一化或者用了 BGR 而训练用 RGB。解决把验证集的 transform 单独抽成一个函数训练和推理共用同一份避免手写两套。部署前用 holdout 里的一张图跑一遍和训练时打印的预测结果对齐。5. 把 300 张图的模型推到可用进阶技巧与验收习惯小数据集训出来的模型别指望直接上生产但可以通过几个技巧把它推到「可用」边缘。第一个技巧是测试时增强TTA对同一张图做原图、水平翻转、轻微旋转三个版本分别推理后取平均概率。这个操作不增加训练成本在 300 张规模下通常能涨 2~4 个百分点。代码上就是把验证集的 transform 复制三份推理时循环三次取 softmax 均值。第二个技巧是阈值校准。二分类默认取 0.5 作为分界但性别分类里两类误判代价不一定对称。你可以用 holdout 集画一条概率分布曲线看模型在 0.5 附近的置信度是否集中如果大量样本落在 0.4~0.6 之间说明模型对这部分人本来就不确定强行按 0.5 切会产生很多边界错误。把阈值调到 0.55 或 0.45观察 holdout 准确率变化选一个稳定的点。第三个技巧是错误样本回流。把 holdout 里预测错的图单独挑出来看你会发现错误往往集中在某几种情况侧脸、戴眼镜、刘海遮挡、逆光。把这些图复制回训练集注意不要放进 holdout再跑一轮微调模型对这类难例的鲁棒性会明显提升。这个操作本质上是主动学习的小型版本300 张规模下做一轮只要几分钟。验收习惯上我一般会固定做三件事一是每次实验记录 CSV 划分的 md5、随机种子、增强参数方便回溯二是 holdout 只在最后跑跑完就冻结模型不再回头调参三是把推理脚本和训练脚本放在同一个仓库共用 transform 定义避免预处理漂移。这套习惯不复杂但能让你在 300 张这种小规模下依然得到可信的结论。希望帮到你。本文还有配套的精品资源点击获取