润才网站建设,重庆网润集团有限公司,中医诊所引流推广方法,深圳建设银行分行网站Ultra-Light-Fast-Generic-Face-Detector-1MB1MB轻量级通用人脸检测模型作者表示该模型设计是为了边缘计算设备以及低功耗设备#xff08;如arm#xff09;设计的实时超轻量级通用人脸检测模型。它可以用于arm等低功耗计算设备#xff0c;实现实时的通用场景人脸。检测推理同…Ultra-Light-Fast-Generic-Face-Detector-1MB1MB轻量级通用人脸检测模型作者表示该模型设计是为了边缘计算设备以及低功耗设备如arm设计的实时超轻量级通用人脸检测模型。它可以用于arm等低功耗计算设备实现实时的通用场景人脸。检测推理同样适用于移动终端或pc机。作者加入widerface测试代码完善部分测试数据及添加MNN、NCNN C推理代码等。从模型大小来看默认的fp32精度.pth文件大小为1.04~1.1MB推理帧int8约为300KB。在模型计算中320x240的输入分辨率约为90~109mflops。该模型有两个版本版本slim简化速度稍快、版本rfb带有修改后的rfb模块精度更高。提供使用320x240和640x480不同输入分辨率的Widerface培训的预培训模型以便更好地在不同的应用场景中工作。支持onxx导出易于移植推理。作者测试过PC运行环境Ubuntu16.04、Ubuntu18.04、Windows 10inferencePython3.6Pytorch1.2CUDA10.0 CUDNN7.6我们来看下速度、精度和模型大小对比数据训练集是使用Retinaface提供的清洁过的Wideface标记以及Wideface数据集生成的以生成VOC训练集PS以下测试结果由我本人测试结果可能有所不同。Widerface测试情况宽面测试集中的测试精度单标度输入分辨率320*240模型Easy SetMedium SetHard Setlibfacedetection v1caffe0.650.50.233libfacedetection v2caffe0.7140.5850.306官方 Retinaface-Mobilenet-0.25 (Mxnet)0.7450.5530.232version-slim0.7650.6620.385version-RFB0.7840.6880.418宽面测试集中的测试精度单刻度输入分辨率VGA 640*480模型Easy SetMedium SetHard Setlibfacedetection v1caffe0.7410.6830.421libfacedetection v2caffe0.7730.7180.485官方 Retinaface-Mobilenet-0.25 (Mxnet)0.8790.8070.481version-slim0.7570.7210.511version-RFB0.8510.810.541看看在树莓派推理速度树莓pi 4b mnn推理测试时间msarm/a72x4/1.5ghz/输入分辨率320x240/int8量化模型1核2核3核4核libfacedetection v12816129.7官方 Retinaface-Mobilenet-0.25 (Mxnet)462518.515version-slim2916129.5version-RFB3519.614.811我们来看看模型大小数据比较几种主流开源轻量级人脸检测模型的大小比较模型模型文件大小MBlibfacedetection v1caffe2.58libfacedetection v2caffe3.34官方 Retinaface-Mobilenet-0.25 (Mxnet)1.68version-slim1.04version-RFB1.11生成voc格式的训练数据集和训练流程一、下载wideface官方网站数据集或下载我提供的培训集并将其提取到./data文件夹1过滤掉10px*10px面后干净的wideface数据压缩包2完整的未过滤小面宽面数据压缩包注如果下载上述1中的过滤包则无需执行此步骤二、由于宽空间中有许多小而不清晰的面不利于有效模型的收敛因此需要进行过滤。训练时默认值是过滤10像素x 10像素的脸大小。运行./data/wide_face_2_voc_add_landmark.pypython3 ./data/wider_face_2_voc_add_landmark.py
程序运行并完成后将在./data目录中生成更宽的“u face_add_lm_10_10”文件夹。解压后文件夹数据和数据包1相同。完整的目录结构如下 data/retinaface_labels/test/train/val/wider_face/WIDER_test/WIDER_train/WIDER_val/wider_face_add_lm_10_10/Annotations/ImageSets/JPEGImages/wider_face_2_voc_add_landmark.py
三、VOC训练集已准备就绪在项目的根目录中有两个脚本train_mb_tiny_fd.sh和train_mb_tiny_rfb_fd.sh。四、前者用于训练slim版本模型后者用于训练rfb版本模型。已设置默认参数。有关微调请参阅./train.py中每个训练超参数的说明。运行train_mb_tiny_fd.sh和train_mb_tiny_rfb_fd.shsh train_mb_tiny_fd.sh 或者 sh train_mb_tiny_RFB_fd.sh
我们来看看几张分辨率为640*480的人脸检测效果图如果实际的生产场景是中距离、大面和小面建议使用输入尺寸输入尺寸320320x240分辨率训练并使用320x240图像尺寸输入进行预测推理例如使用提供的预训练模型。用于推理的mb_tiny_rfb_fd_train_320.pth输入。如果实际的生产场景是中长距离、小面和大量面建议1最优输入大小输入大小640640x480分辨率训练并使用相同或更大的输入大小进行预测推理如使用提供的训练前模型mb_tiny_rfb_fd_train_640.pth进行推理误报率更低。2次优输入大小输入大小320320x240分辨率训练并使用480x360或640x480大小输入进行预测推理对小脸更敏感误报会增加。每个场景的最佳结果都需要调整输入分辨率以便在速度和精度之间取得平衡。过大的输入分辨率会提高小人脸的召回率但也会增加大、近距离人脸的误报率推理速度会成倍增加。输入分辨率过小会显著加快推理速度但会大大降低小人脸的召回率。制作场景的输入分辨率应尽量与模型训练的输入分辨率一致上下浮动不宜过大。相关数据集及代码大家可以在Github上找得到。
