核心特点

1. 极致轻量化：模型大小仅 0.32MB（CoreML 版本更是低至 0.17MB），但性能接近比它大 1500 倍以上的主流模型；
2. 实时性：支持实时摄像头年龄 / 性别检测 demo，结合轻量级人脸检测器（如 LBP）可实现高效推理；
3. 核心思路：采用 “由粗到细” 的多阶段回归策略，将年龄估计拆解为多个小粒度的分类任务，每个阶段仅优化前一阶段的决策误差，同时为每个年龄类别分配动态范围，解决年龄量化分组带来的精度问题。

技术栈与环境

• 框架：Keras（基于 TensorFlow 后端）；
• 硬件：GTX-1080Ti（训练）、CPU/GPU（推理）；
• 系统：Ubuntu；
• 依赖：OpenCV、dlib、MTCNN（人脸检测）、MobileNet/DenseNet（网络组件）、Anaconda（环境管理）等。

仓库结构

SSR-Net/
├── LICENSE                  # Apache 2.0 开源许可证
├── README.md                # 项目说明、使用指南
├── pre-trained/             # 预训练模型（IMDB/WIKI/Morph2/亚洲人脸等数据集）
├── data/                    # 数据预处理脚本
│   ├── TYY_IMDBWIKI_create_db.py  # IMDB/WIKI 数据集预处理
│   ├── TYY_MORPH_create_db.py     # Morph2 数据集预处理
│   └── TYY_utils.py               # 数据处理工具
├── training_and_testing/    # 训练、测试脚本
│   ├── SSRNET_model.py      # SSR-Net 通用模型定义
│   ├── run_all.sh           # MobileNet/DenseNet 训练脚本
│   ├── run_ssrnet.sh        # SSR-Net 训练脚本
│   └── ...
├── demo/                    # 演示脚本（摄像头/视频）
│   ├── SSRNET_model.py      # 演示用 SSR-Net 模型
│   ├── TYY_demo_ssrnet_lbp_webcam.py  # 实时摄像头demo（LBP人脸检测）
│   ├── TYY_demo_mtcnn.py    # 视频demo（MTCNN人脸检测）
│   └── lbpcascade_frontalface_improved.xml  # LBP人脸检测器配置
└── paper_images/            # 论文相关图片

数据集说明

• IMDB-WIKI：大规模野生人脸数据集，适合通用场景；
• Morph2：受控环境下的人脸数据集，需申请授权获取，预训练模型对摄像头场景适配性较好，但性别模型存在过拟合；
• Megaage-Asian：亚洲人脸数据集（单独仓库：https://github.com/b02901145/SSR-Net_megaage-asian），适合亚洲人脸场景。

适用场景

适合需要轻量级、实时性的年龄 / 性别估计场景（如智能监控、人机交互），尤其适合资源受限的设备；同时提供了完整的训练、测试、演示流程，便于研究和二次开发。

https://github.com/shamangary/SSR-Net.git

SSR-Net 预训练模型使用指南

SSR-Net 提供了基于 IMDB/WIKI/Morph2 等数据集训练的 MobileNet 系列预训练模型（如 mobilenet_reg_0.25_64/mobilenet_reg_0.5_64），以下是完整的使用步骤，包含模型加载、数据预处理、推理预测全流程。

一、环境准备

确保已安装依赖（与仓库基础环境一致）：

# 建议创建conda环境
conda create -n ssrnet python=3.6
conda activate ssrnet

# 安装核心依赖
pip install keras==2.0.6 tensorflow==1.15 opencv-python==4.5.5.62 numpy==1.16.6 dlib==19.24.0

二、预训练模型文件说明

仓库中预训练模型以 JSON（模型结构）+ H5（权重） 形式存储，路径示例：

SSR-Net/pre-trained/
├── imdb/
│   ├── mobilenet_reg_0.25_64/  # 宽度因子0.25，输入64x64
│   │   ├── mobilenet_reg_0.25_64.json  # 模型结构
│   │   └── mobilenet_reg_0.25_64.h5    # 模型权重（需自行下载/训练生成）
│   └── mobilenet_reg_0.5_64/   # 宽度因子0.5，输入64x64
└── wiki/
    └── mobilenet_reg_0.25_64/  # WIKI数据集训练的同规格模型

注：权重文件（.h5）需从仓库作者提供的链接下载，或自行基于数据集训练生成。

三、核心使用步骤

1. 加载预训练模型

通过 Keras 加载 JSON 结构 + H5 权重，示例代码：

import json
import numpy as np
from keras.models import model_from_json

# 1. 定义模型路径（根据实际路径修改）
model_json_path = "SSR-Net/pre-trained/imdb/mobilenet_reg_0.25_64/mobilenet_reg_0.25_64.json"
model_weights_path = "SSR-Net/pre-trained/imdb/mobilenet_reg_0.25_64/mobilenet_reg_0.25_64.h5"

# 2. 加载模型结构
with open(model_json_path, "r") as f:
    model_json = f.read()
model = model_from_json(model_json)

# 3. 加载预训练权重
model.load_weights(model_weights_path)

# 4. 验证模型加载（可选）
model.summary()  # 打印模型结构，确认输入为(64,64,3)

2. 输入数据预处理

模型要求输入为 64x64x3 的 RGB 图像，且需标准化（像素值归一化到 0~1），步骤：

import cv2

def preprocess_image(image_path):
    """
    预处理单张图像：
    1. 读取图像（RGB格式）
    2. 人脸检测（可选，模型仅对人脸区域有效）
    3. 缩放至64x64
    4. 归一化像素值
    """
    # 读取图像（BGR→RGB）
    img = cv2.imread(image_path)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

    # 人脸检测（使用LBP检测器，与demo一致）
    face_cascade = cv2.CascadeClassifier("SSR-Net/demo/lbpcascade_frontalface_improved.xml")
    faces = face_cascade.detectMultiScale(img_rgb, scaleFactor=1.1, minNeighbors=5)

    if len(faces) == 0:
        raise ValueError("未检测到人脸，请确保图像包含清晰人脸")

    # 裁剪人脸区域（取第一个检测到的人脸）
    x, y, w, h = faces[0]
    face_img = img_rgb[y:y+h, x:x+w]

    # 缩放至64x64
    face_img_resized = cv2.resize(face_img, (64, 64))

    # 归一化（0~1）
    face_img_normalized = face_img_resized / 255.0

    # 扩展维度（适配模型输入：(1,64,64,3)）
    input_tensor = np.expand_dims(face_img_normalized, axis=0)

    return input_tensor

# 示例：预处理单张图像
input_tensor = preprocess_image("test_face.jpg")

3. 模型推理（年龄 / 性别预测）

模型输出为年龄回归值（浮点数），若为性别模型则输出 0/1（女 / 男），示例：

# 1. 年龄预测
age_pred = model.predict(input_tensor)[0][0]
print(f"预测年龄：{round(age_pred, 1)} 岁")

# 2. 性别预测（若使用性别预训练模型）
# gender_pred = model.predict(input_tensor)[0][0]
# gender = "女" if gender_pred < 0.5 else "男"
# print(f"预测性别：{gender}")

四、批量推理 / 集成多个预训练模型

可加载多个数据集（IMDB/WIKI）的预训练模型，取预测均值提升精度：

def ensemble_predict(image_path, model_paths):
    """集成多个预训练模型预测"""
    input_tensor = preprocess_image(image_path)
    preds = []

    for json_path, weights_path in model_paths:
        # 加载模型
        with open(json_path, "r") as f:
            model_json = f.read()
        model = model_from_json(model_json)
        model.load_weights(weights_path)

        # 预测
        pred = model.predict(input_tensor)[0][0]
        preds.append(pred)

    # 取均值
    avg_pred = np.mean(preds)
    return avg_pred

# 示例：集成IMDB和WIKI的0.25宽度模型
model_paths = [
    ("SSR-Net/pre-trained/imdb/mobilenet_reg_0.25_64/mobilenet_reg_0.25_64.json",
     "SSR-Net/pre-trained/imdb/mobilenet_reg_0.25_64/mobilenet_reg_0.25_64.h5"),
    ("SSR-Net/pre-trained/wiki/mobilenet_reg_0.25_64/mobilenet_reg_0.25_64.json",
     "SSR-Net/pre-trained/wiki/mobilenet_reg_0.25_64/mobilenet_reg_0.25_64.h5")
]
ensemble_age = ensemble_predict("test_face.jpg", model_paths)
print(f"集成预测年龄：{round(ensemble_age, 1)} 岁")

五、使用仓库自带 Demo 快速验证

仓库提供了直接调用预训练模型的 Demo 脚本，无需手动加载模型，步骤：

1. 视频文件推理（CPU）

cd SSR-Net/demo
# 使用MTCNN人脸检测 + 预训练模型推理视频
KERAS_BACKEND=tensorflow CUDA_VISIBLE_DEVICES='' python TYY_demo_mtcnn.py your_video.mp4

2. 实时摄像头推理

cd SSR-Net/demo
# 使用LBP人脸检测 + 预训练模型实时推理
KERAS_BACKEND=tensorflow CUDA_VISIBLE_DEVICES='' python TYY_demo_ssrnet_lbp_webcam.py

Demo 会自动加载默认预训练模型，若需更换模型，修改 Demo 脚本中 model_path 变量即可。

六、常见问题解决

1. 模型加载报错：确保 Keras 版本为 2.0.6（高版本不兼容旧版 JSON 结构），TensorFlow 使用 1.x 版本。
2. 预测结果偏差大：

• • 确保输入是人脸区域（非整图）；
  • 优先使用 Morph2 数据集预训练模型（摄像头场景适配性更好）；
  • 亚洲人脸建议使用 Megaage-Asian 分支的预训练模型。

1. 权重文件缺失：预训练权重需自行训练生成，或联系作者获取下载链接。

七、预训练模型选型建议

模型规格	适用场景	特点
mobilenet_reg_0.25_64	移动端 / 资源受限设备	极致轻量化，速度快
mobilenet_reg_0.5_64	桌面端 / 精度优先场景	精度更高，速度稍慢
IMDB 数据集模型	通用野生人脸场景	泛化性强
WIKI 数据集模型	偏学术 / 公开人脸场景	补充 IMDB 的样本分布
Morph2 数据集模型	摄像头实时检测	适配受控环境下的人脸