带有关键点检测的超轻量级人脸检测器

0 有用

3 下载

带有关键点检测的超轻量级人脸检测器

文件列表（压缩包大小 9.02M)

免费

概述

实现功能

Retinaface-mobile0.25的训练/测试/评估/ncnn C++推理
Face-Detector-1MB slim和RFB版本的训练/测试/评估/ncnn C++推理
人脸5个关键点检测
支持onnx导出
网络parameter和flop计算

提供了一系列适合移动端部署包含关键的人脸检测器: 对Retinaface-mobile0.25修改anchor尺寸,使其更适合边缘计算; 重新实现了Face-Detector-1MB 并添加了关键点检测和ncnn C++部署功能, 在绝大部分情况下精度均好于原始版本.

测试的运行环境

Ubuntu18.04
Python3.7
Pytorch1.2
CUDA10.0 + CUDNN7.5

精度

Widerface测试

在wider face val精度（单尺度输入分辨率：320*240）

方法	Easy	Medium	Hard
libfacedetection v1（caffe）	0.65	0.5	0.233
libfacedetection v2（caffe）	0.714	0.585	0.306
version-slim(原版)	0.765	0.662	0.385
version-RFB(原版)	0.784	0.688	0.418
version-slim(our)	0.795	0.683	0.34.5
version-RFB(our)	0.814	0.710	0.363
Retinaface-Mobilenet-0.25(our)	0.811	0.697	0.376

在wider face val精度（单尺度输入分辨率：640*480）

方法	Easy	Medium	Hard
libfacedetection v1（caffe）	0.741	0.683	0.421
libfacedetection v2（caffe）	0.773	0.718	0.485
version-slim(原版)	0.757	0.721	0.511
version-RFB(原版)	0.851	0.81	0.541
version-slim(our)	0.850	0.808	0.595
version-RFB(our)	0.865	0.828	0.622
Retinaface-Mobilenet-0.25(our)	0.873	0.836	0.638

ps: 测试的时候,长边为320 或者 640 ,图像等比例缩放.

Parameter and flop

方法	parameter(M)	flop(M)
version-slim(our)	0.343	98.793
version-RFB(our)	0.359	118.435
Retinaface-Mobilenet-0.25(our)	0.426	193.921

ps: 320*240作为输入

使用

安装

下载安装

下载此项目文件
安装 “Pytorch version 1.1.0+”和“torchvision 0.3.0+”
代码基于Python 3

数据

数据集目录如下

./data/widerface/
 train/
   images/
   label.txt
 val/
   images/
   wider_val.txt

ps: wider_val.txt只包含val文件名，不包含标签信息。

Link: 来自google cloud或百度云密码: ruck

训练

训练前，你可以在data/config.py and train.py中检查一下网络配置（如batch_size, min_sizes and steps 等）

使用WIDER FACE训练模型：

CUDA_VISIBLE_DEVICES=0 python train.py --network mobile0.25 or 
CUDA_VISIBLE_DEVICES=0 python train.py --network slim or
CUDA_VISIBLE_DEVICES=0 python train.py --network RFB

如果你不想进行训练，我们也提供了一个./weights的训练模型

mobilenet0.25_Final.pth 
RBF_Final.pth
slim_Final.pth

评估

评估widerface val

生成txt文件

python test_widerface.py --trained_model weight_file --network mobile0.25 or slim or RFB

评估txt结果.演示

cd ./widerface_evaluate
python setup.py build_ext --inplace
python evaluation.py

你也可以使用widerface的MATLAB官方演示。

C++_inference _ncnn

生成onnx文件

python convert_to_onnx.py --trained_model weight_file --network mobile0.25 or slim or RFB

onnx文件更改为ncnn（*.param和*.param）

cp *.onnx ./Face_Detector_ncnn/tools
cd ./Face_Detector_ncnn/tools
./onnx2ncnn face.param face.bin

将*.param和*.bin放进模型中

cp face.param ../model
cp face.bin ../model

建立项目（在CmakeList.txt中设置opencv路径）
```
mkdir build
cd build
cmake ..
make -j4
```
运行
```
./FaceDetector *.jpg
```

我们在 "./model"中提供了转换后的文件

face.param
face.bin

参考

@inproceedings{deng2019retinaface,
title={RetinaFace: Single-stage Dense Face Localisation in the Wild},
author={Deng, Jiankang and Guo, Jia and Yuxiang, Zhou and Jinke Yu and Irene Kotsia and Zafeiriou, Stefanos},
booktitle={arxiv},
year={2019}