在开发算法时请使用此数据集，以避免在评估集上过度拟合。您可以从此数据集创建任何类型和数量的训练对。 织梦好，好织梦

• dev_people.txt：这包含开发集中60个人的列表。每个数据行包含一个人的姓名。此列表与评估集中的人员之间以及此集合与LFW数据集中的人员之间没有重叠。
• dev_urls.txt：这包含开发集中60个人的所有16,336个图像的URL 。（由于版权问题，我们无法自行分发图像。）每个数据行用于一个图像，包含5个元素，由制表符（'\ t'）分隔：
  • 人名，
  • 该人的图像编号，
  • 原始图片网址，
  • 围绕所选人的面部矩形，如x0，y0，x1，y1坐标（面部的左上角和右下角的x和y位置）。请注意，即使图像中有多个面，我们也只为所选人员提供矩形。
  • 使用linux md5sum实用程序计算的原始图像的md5校验和。

请仅在评估算法时使用此数据集，以准备提交/发布结果。这是为了防止过度拟合数据并获得不切实际的结果。 织梦好，好织梦

• eval_people.txt：它包含评估集中140个人的列表。格式与dev_people.txt文件的格式相同：每个数据行包含一个人的姓名。
• eval_urls.txt：包含评估集中140人的所有42,461张图像的URL 。（由于版权问题，我们无法自行分发图像。）格式与dev_urls.txt文件的格式相同：每条数据行用于一个图像，包含5个元素，由制表符（'\ t'）分隔：
  • 人名，
  • 该人的图像编号，
  • 原始图片网址，
  • 围绕所选人的面部矩形，如x0，y0，x1，y1坐标（面部的左上角和右下角的x和y位置）。请注意，即使图像中有多个面，我们也只为所选人员提供矩形。
  • 使用linux md5sum实用程序计算的原始图像的md5校验和。
• pubfig_labels.txt：这包含评估集中每个图像的一些附加标签。每个数据行包含以下字段，由制表符（'\ t'）分隔：
  • 人名，
  • 该人的图像编号，
  • 由我们的人脸探测器计算的姿势信息，以正面（偏航和10度内的俯仰）或非正面给出
  • 照明信息由用户作为标记的亚马逊土耳其机器人，给定为任一正面或非正面
  • 作为标记的用户上表达信息亚马逊土耳其机器人，如任一给定的中性或非中性
• pubfig_full.txt：20,000个图像的完整验证基准，分为10个交叉验证集。每个集合与所有其他集合相互不相交，无论是按人物还是按图像。在评估期间，您应该使用其中的9组进行培训，其余1组进行测试。然后旋转所有10组，以便最后评估所有对。由于每个集合都与身份不相交，因此您的评估算法将永远不会在培训中看到该人员。除了阅读图像之外，请不要使用文件名或个人身份！此文件的格式与LFW基准测试的格式类似，但不完全相同：
  • 第一行是标识文件的注释（以“＃”开头）。
  • 第二行列出了此文件中的交叉验证集数（当前为10）。在此之后，每个交叉验证集合。
  • 对于每个交叉验证集，第1行包含集合中正负对的数量，由制表符分隔。
  • 然后是给定数量的正例（同一人的图像对），每行一个。每行包含4个由制表符分隔的元素，例如：

    Jodie Foster 81 Jodie Foster 220 copyright dedecms 

    这些是：
    • 第一个人的名字
    • 第一个人的图像编号（如eval_urls.txt）
    • 第二个人的名字（例如，这与第一个人相同）
    • 第二个人的图像编号（如eval_urls.txt）
  • 最后，还有给定数量的反面例子，格式完全相同。