基于CenterFace的模型优化记录

最新推荐文章于 2024-12-10 02:11:12 发布

追逐程序梦想者

最新推荐文章于 2024-12-10 02:11:12 发布

阅读量645

点赞数 2

CC 4.0 BY-SA版权

文章标签：算法 python 人工智能深度学习机器学习

本文链接：https://blog.youkuaiyun.com/ai52learn/article/details/113523600

Python基础及其应用专栏收录该内容

605 篇文章 ¥59.90 ¥99.00

订阅专栏

本文记录了基于CenterFace的人脸检测模型优化过程，包括模型结构、损失函数、目标生成和推理方法。通过调整训练尺寸、特征融合策略、减少关键点输出和模型剪枝，成功降低了FLOPs并保持高精度，适用于移动端应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、序

CenterFace是基于CenterNet的一种AnchorFree人脸检测模型。在widerface上性能虽然没有超过SOTA(Retinaface),但是胜于推理速度较快(不需要NMS)，模型结构简单，便于移植部署。

二、背景

模型主要是使用在移动端App中，需要满足：

上传图片后返回带有人脸检测框的结果图片。
打开摄像头实时进行检测并拍照，返回检测后的图片。
需要在室内、室外、白天，晚上场景下均可使用，受众群体密集度比较高，需要支持戴口罩检测，Recall和precision均要求比较高（大于90%）。
需要支持大小人脸检测。样例如下，难点在于支持小人脸检测以及小模型优化。

三、CenterFace

本节先简单介绍一下CenterFace模型

模型结构

CenterFace模型构造比较简单，基础backbone+FPN+head即完成网络构建。1. backbone模型上采

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

追逐程序梦想者

关注关注

2
点赞
踩
10

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

retinaface 改进

jacke121的专栏

10-29

3696

https://github.com/jacke121/Pytorch_Retinaface 640 480 1070 网络 13ms，预处理加后处理22ms 新版：参数： parser.add_argument('--top_k', default=50, type=int, help='top_k') parser.add_argument('--nms_thresh...

深度学习-56-AI应用实战之基于Yolo8训练面部表情识别模型

qq_20466211的博客

12-05

563

基于FER2013数据集制作的训练样本，使用Yolo8，采取不同的样本量、样本尺寸训练模型，对比其效果。

1 条评论您还未登录，请先登录后发表或查看评论

pytorch版本RetinaFace人脸检测模型推理加速，去掉FPN第一层，不检测特别小的人脸框

胖胖大海的博客

10-23

2588

在本文中，从精简模型预测结果，丢弃小的人脸检测结果的角度对RetinaFace进行优化。通过前面的描述我们知道，RetinaFace里面采用了特征金字塔FPN，其中低层特征用来检测小的人脸，高层的特征用来检测大的人脸，但是如果下游是人脸识别任务的话，小的人脸对于人脸识别结果不论是在准确率还是召回率方面都没有太多正向的作用。所以不如把检测小的人脸这部分功能去掉，节省算力，还能提升一些模型的推理速度。

Retinaface代码记录（六）(性能评估)

Lyang-Never

05-16

3989

一、简介这部分主要围绕如何评估一个人脸检测器性能展开记录。代码地址：Retinaface代码地址主要记录脚本：evaluation.py，位于./widerface_evaluate/下。二、主要内容一般来评价人脸检测器性能，常用的评价指标就是PR-精确度precision、召回率Recall和AP，此次围绕widerface测试集和人脸检测器Retinaface进行记录。 1、在进行AP计算之前,需要按照./widerface_evaluate/的Readme进行一些操作。首先需要利用test_

【个人开源】实时人脸检测centerface

01-06

the real-time face detection Centerface unofficial version of centerface, which achieves the best balance between speed and accuracy. Centerface is a practical anchor-free face detection and alignment method for edge devices. The project provides training scripts, training data sets, and pre-trainin

目前最强开源人脸检测算法RetinaFace

猫先生

07-11

6628

文章转载于微信公众号：我爱计算机视觉原文链接：https://mp.weixin.qq.com/s/CwMGZUWaopT3HAIXmlowsA 人脸检测为目标检测的特例，是商业化最早的目标检测算法，也是目前几乎各大CV方向AI公司的必争之地。 WIDER FACE数据集是由香港中文大学发布的大型人脸数据集，含32,203幅图像和393,703个高精度人脸包围框，该库中人脸包含尺度、姿态...

大模型微调学习之旅③ — 基于 InternLM 和 LangChain 搭建你的知识库

HOOK1的博客

01-11

1840

LangChain可以快速帮我们构建一个RAG应用① 什么是LangChainLangChain是一个开源框架，旨在帮助开发人员在应用程序中使用大型语言模型（LLM）。它允许用户围绕LLM快速构建应用程序和管道，并直接与OpenAI的ChatGPT模型以及Hugging Face集成。LangChain支持多种编程语言，包括Python和JavaScript，并提供了丰富的API和工具，以方便开发人员快速构建复杂的LLM应用程序。

目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像飞机目标检测技术研究（中）

qq_36130719的博客

04-19

660

和空间注意力模块（Spatial Attention Module，SAM) [48]，分别可以在通道和空间维度上分别进行算法注意力的改进，使用便捷，不会产生很大的计算量开销，可以和原有的卷。算法在SSD中增加了反卷积层，训练后得到的高层特征图包含的目标细节信息更多，这使网络能更加关注目标特征信息，减少了背景信息对检测结果的影响，提高了算法。交集为两个框重合部分，并集为两个框的总覆盖面积。息的这种情况，可以使用剪枝的操作手段，对模型进行处理，来删除收益过低的一些计算成本，有助于实现更紧凑的模型表示。

大模型问答机器人的学习技术

最新发布

AI天才研究院

12-10

1036

《大模型问答机器人的学习技术》关键词：大模型、问答机器人、深度学习、自然语言处理、预训练、迁移学习、评估与优化摘要：本文将深入探讨大模型问答机器人的学习技术，包括其

树莓派上几种人脸检测模型对比

上善若水，为而不争

04-12

2892

前言人脸检测相对其他计算机视觉技术而言，可以算是比较烂大街的技术，各家都有各家的人脸检测技术，而且开源的很多人脸检测技术都有非常高的精度和速度。接下来就对github上找到的几款人脸检测模型进行对比。测试图像，大小2048*1150，如下：我的运行硬件是4G版的树莓派4B，运行的推理平台是腾讯开源的ncnn框架，运行语言是C++。本次测试的模型如下: 模型地址 ...

faster-mobile-retinaface:[CVPR 2020]重新实现RetinaFace，更快，更强大

03-09

人脸检测@ 500-1000 FPS 的100％Python3重新实现，在固体单次面本地化框架。用NumPy API替换了基于CUDA的锚点生成器功能。通过dict来存储运行时锚，以避免重复计数。通过向量计算方法优化了NMS算法。减少的FPN层和锚点密度，可用于中近距离检测。使用了低级的Mxnet API来加快推理过程。入门指南要求以阅读视频（可选） Mxnet> = 1.5.0（最好是基于CUDA的软件包） Python> = 3.6 的OpenCVPython的虽然不是必需的，但是为了获得最佳性能，强烈建议使用支持CUDA的GPU运行代码。运行视频文件 gst-launch-1.0 -q filesrc location= $YOUR_FILE_PATH ! \ qtdemux ! h264parse ! avdec_h264 ! \

【目标检测】centernet嵌入式网络优化

怡宝2号

03-21

6384

原文：https://mp.weixin.qq.com/s/PrkID3lnoDFVUxh-i3V2UQ 这是来自腾讯的一篇解读，针对嵌入式设备，从目标检测模型方面进行优化。二、选型近几年物体检测算法日新月异，面对琳琅满目的检测模型（见图 1），合适的才是最好的。（1）One-stage 从模型的层次结构上，可分为两阶段（two-stage）和单阶段（one-stage）。（a）Two-...

人脸检测(libfacedetection,retinaface等)

pcb931126的博客

04-08

3616

1.libfacedetection 它最大的亮点是能够在所有支持 C/C++的平台上编译运行。作者将预训练的 CNN 模型转换为静态变量后储存到了 C 文件里，使得该项目不需要任何其他依赖项（当然 OpenCV 还是需要的），仅仅只需要一个 C++编译器，就能在任何一个平台甚至嵌入式系统上编译并运行该项目。尤其吸引人的是该项目使用 C++编写且支持 AVX2，在 i7 的 CPU 上就能跑出...

【论文复现】人脸检测centerface项目高精度复现记录

怡宝2号

02-15

2566

1. 2020.02.15 利用centernet项目刚把centerface训练代码复现，并添加了相应的测试脚本。采用randaugment做图像增强，并没有实际提高，IOU 阈值采用原文的0.4。测试结果为: Easy Val AP: 0.8824708943649829 Medium Val AP: 0.8422070187808188 Hard Val AP: 0.48487270...

centerface代码解读

qq_35037684的博客

07-11

1407

之前看了一阵子centerface，论文思想很简单，使用人脸框的中心点代表人脸，人脸框的宽高和面部关键点可以通过中心点处的特征回归得到。

『深度应用』对CenterNet的一些思考与质疑·对比与U版YoloV3速度与精度

简明AI工作室

07-21

6385

0.引子笔者很喜欢CenterNet极简的网络结构，CenterNet只通过FCN（全卷积）的方法实现了对于目标的检测与分类，无需anchor与nms等复杂的操作高效的同时精度也不差。同时也可以很将此结构简单的修改就可以应用到人体姿态估计与三维目标检测之中。后面一些针对CenterNet结构应用于其他任务，也取得不错的效果，比如人脸检测CenterFace以及目标追踪CenterTrack与FairMot。这些内容后面等笔者研习过后再补充，后面应该会做一个类CenterNet结构总结对比，感兴.

RetinaFace 人脸关键点

jacke121的专栏

11-07

4471

这个113m https://github.com/supernotman/RetinaFace_Pytorch hopenet 可以从别的地方下载，1070 人脸检测30ms https://github.com/ElvishElvis/68-Retinaface-Pytorch-version c++ 106关键点： https://github.com/Char...

retinaface代码讲解_「干货」RetinaFace最强开源人脸识别算法

weixin_39968128的博客

12-20

837

看来最早商业化的人脸检测为目标检测算法，依然是各大CV方向AI公司的必争之地。那我们今天主角就是RetinaFace，RetinaFace 是今年5月份出现的人脸检测算法，当时取得了state-of-the-art，作者也开源了代码，过去了两个月，目前仅以极其微弱的精度差屈居第二名，所以目前RetinaFace可称得上是目前最强的开源人脸检测算法。RetinaFace来自论文RetinaFace:...

retinaface自定义增强

jacke121的专栏

11-21

3032

宽高分别裁剪增强 import cv2 import numpy as np import random from utils.box_utils import matrix_iof def _crop(image, boxes, labels, img_size): #随意裁剪，裁剪到最后resize，会有放大效果，不会缩小，小目标检测无帮助 height, width,...