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
最新推荐文章于 2024-12-10 02:11:12 发布
阅读量645 收藏 10
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
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ai52learn/article/details/113523600
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：

  1. 上传图片后返回带有人脸检测框的结果图片。
  2. 打开摄像头实时进行检测并拍照，返回检测后的图片。
  3. 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%）。
  4. 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。

image.png

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
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
12-05 568
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。
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
04-19 667
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。
CenterFace 核心点笔记
固本培元的专栏
05-18 747
同步位置： https://github.com/leoluopy/paper_discussing/blob/master/body/CenterFace/CenFace.md
MobileNetV2原理说明及实践落地
benben044的专栏
12-13 2917
MobileNetV1主要是提出了可分离卷积的概念，大大减少了模型的参数个数，从而缩小了计算量。但是在CenterNet算法中作为BackBone效果并不佳，模型收敛效果不好导致目标检测的准确率不高。MobileNetV2在MobileNetV1的DW和PW的基础上进行了优化，使得准确率更高，作为CenterNet算法的BackBone效果也可以。Inverted Residuals：倒残差结构Linear Bottlenecks：结构的最后一层采用线性层。
CenterNet :Objects as Points 部分过程个人理解
weixin_48341586的博客
12-06 1925
训练过程： 注意：以下提到的坐标都是以图像左上角为原点（0,0）来计算的 ①先读取图片信息，然后根据标签标注的物体中心点将一张图片不是物体中心点的地方全部设为0即黑化，这时就得到了一张热图（heatmap）,但此时还未将高斯分布撒在这张热图上。 ②求高斯分布的半径，根据IOU（即假设框与真实框的交并比），求出符合这个IOU偏移范围的半径（radiu），也就是说如果以这个圆的圆心为中心点，那么在这个圆的范围内，离圆心越远的点，偏移程度越大，相应的高斯值越低，超出这个圆范围的高斯值为0。 ③求高..
CenterNet算法代码剖析
benben044的专栏
11-29 4162
针对heatmap、wh、reg分别各自使用一种loss计算方式，最后加权获得最终的loss值。其中heatmap使用FocalLoss计算方式，wh和reg使用L1Loss计算方式。
目标检测：CenterNet论文解读及代码详解
zhengmingzhang的博客
08-14 4660
论文思想 模型结构 Train Inference 如何使用 后期优化
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 1842
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。
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 1038
《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
在特征图上按照高斯公式计算置信度
haohulala的博客
11-18 2163
centerNet中计算分类target的方法就是使用高斯公式 对于每一个gt_box，我们首先得到中心点，然后就可以根据这个中心点和特征图的长宽计算置信度图了 最后算出来的置信度是以中心点为圆心，整个特征图外接圆的半径为半径的高斯分布置信度 import torch import numpy as np import matplotlib.pyplot as plt import math import time # 计算矩形外接圆的半径 # R = sqrt(h^2 + w^2)/2 def
人脸检测 RetinaFace
jacke121的专栏
07-08 6940
这个6ms,能检测近距离人脸，无关键点 mxnet https://github.com/jacke121/faster-mobile-retinaface 后来又更新了: https://github.com/1996scarlet/faster-mobile-retinaface https://github.com/biubug6/Pytorch_Retinaface mob...
人脸检测(libfacedetection,retinaface等)
pcb931126的博客
04-08 3617
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...
模型剪枝
寂寞的小乞丐
12-16 455
目录模型剪枝一. 基础回顾二. Pruning Filters for Efficient ConvNets三. Learning Efficient Convolutional Networks through Network Slimming四. Rethinking the Value of Network Pruning模型剪枝 一. 基础回顾 首先回顾一下卷积的过程，输入：\(x=...
人脸识别0-04：insightFace-模型训练注释详解-史上最全
热门推荐
江南才尽江南山，年少无知年少狂！
08-20 1万+
以下链接是个人关于insightFace所有见解，如有错误欢迎大家指出，我会第一时间纠正，如有兴趣可以加QQ：944284742相互讨论技术。 insightFace目录:https：//blog.youkuaiyun.com/weixin_43013761/article/details/99646731： 版本更替 在作者发布初始的版本中，使用的是insightface-master\src下面的代码进行......
图像实例分割：CenterMask
吴建明wujianming_110117
04-25 2317
图像实例分割：CenterMask CenterMask: single shot instance segmentation with point representation 论文链家： https://arxiv.org/abs/2004.04446 摘要 本文提出了一种简单、快速、准确的单镜头实例分割方法。单阶段实例分割面临两个主要挑战：对象实例区分和像素级特征对齐。相应地，本文将实例分割...
目标检测CornerNet: Detecting Objects as Paired Keypoints论文详解
sinat_24674017的博客
08-01 603
论文链接 https://arxiv.org/abs/1808.01244 动机 在目标检测中使用anchor box的两个缺点：（1）在检测过程中会生成大量anchor box并计算每个anchor box和ground truth box的IoU。其中大部分的anchor box都是负样本而被丢弃。这个机制减慢了训练速度，增加了计算开销。 （2）anchor机制引入了更多的超参数，比如anch...
人脸识别简单介绍
计蒙不吃鱼的博客
10-17 1257
文章目录前言一、什么是人脸识别？二、深入理解1.人脸识别的大致流程2.一种可行思路总结 前言 计蒙在深圳工作的那段时间，曾担任某深算公司Android研发顾问，也曾经接触过一个定制的人脸识别的项目，在那时就对其非常感兴趣，因此开始学起了相关内容，并开始接触python 一、什么是人脸识别？ 狭义表述：以分析与比较人脸特征信息，进行身份验证或者查找的一项计算机视觉技术。 广义表述：在图片/视频流中识别出人脸,对人脸进行一系列相关操作。 二、深入理解 1.人脸识别的大致流程 通过人脸识别模型判断图片是否存
计算机视觉 | 面试题：13、CNN网络各种层的FLOPs和参数量paras计算
Mrrunsen的博客
09-09 472
FLOPs 这里先注意一下FLOPs的写法，不要弄混了： FLOPS(全大写)：是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度，是一个衡量硬件性能的指标。 FLOPs(s小写)：，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量，可以用来衡量算法/模型的复杂度，也就是我们这里要讨论的。 标准卷积层的FLOPs 考虑bias：(2∗Cint∗k2)∗Cout∗H∗W(2*C_{int
从零开始学人脸检测之Retinaface篇（内含魔改版GhostNet+mbv2）
chenxiangrong的博客
06-13 9949
前言 Retinaface是Insightface团队在2019年提出的新人脸检测模型，该模型在 WiderFace 数据集上刷新了AP。源代码开源于insightface，原模型使用mxnet框架进行搭建，目前社区也有其他框架复现的版本，最让人熟知的莫过于pytorch版的retinaface。Retinaface是基于检测网络RetinaNet的改进版（没错，和centerface基于centernet类似），添加了SSH网络的三层级联检测模块，提升检测精度。作者提供了两种网络的复现版本（mobilen
基于深度学习的实验室报警系统研究与实践
- yolov570、CenterFace：这两个文件或文件夹可能是与项目相关的预训练模型或特定的深度学习模型。YOLOv5是一个流行的目标检测模型，CenterFace是一个用于人脸检测的深度学习模型。 - .idea：这个文件夹通常出现在...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值