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

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。

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。

1 条评论您还未登录，请先登录后发表或查看评论

CenterFace模型框架详解轻量级anchor-free人脸检测器

孤独的风中一匹狼

04-09

1701

论文地址：https://arxiv.org/ftp/arxiv/papers/1911/1911.03599.pdf github地址：https://github.com/Star-Clouds/centerface CenterFace是一个适用于内存和计算能力有限的边缘设备的轻量级人脸检测器，其大小只有7.3M。关于CenterFace论文的解读这里不再过多介绍，可以参考其他博客。本篇文章主要介绍CenterFace模型思想和框架的一些理解。模型思想 CenterFace模型借鉴了Cent

CenterFace解读及nnie实现

weixin_47569031的博客

10-11

1079

CenterFace解读及nnie实现

centerface_pytorch人脸检测算法模型

qq_27815483的博客

06-16

1469

CenterFace是一种人脸检测算法,采用了轻量级网络mobileNetV2作为主干网络,结合特征金字塔网络(FPN)实现anchor free的人脸检测。

【Atlas500】入门（十）——Centerface移植（成功）

怡宝2号

06-29

2153

前言：前面复现了centerface，这是一个简洁，简单的框架。前面也做了ncnn，android平台的移植。这里做Atlas的移植。 1. 开发环境 ubuntu16.04 pytorch Atlas500 2. pytorch模型训练采用上一篇博客的安全帽佩戴数据集进行训练，采用centerface项目，训练一个矩形框检测不带关键点的检测模型。项目自带pytorch2onnx脚本注意： Atlas的deconvolution操作限制group=1，所以需要对mobilenetv2主干网络

开源代码CenterFace:解读轻量级anchor_free人脸检测器

图像算法Imalg的博客

01-16

3382

背景在不受限制的环境中，人脸检测始终部署在边缘设备上，这些设备的内存存储空间有限且计算能力较低。本文提出了一种名为CenterFace的单阶段方法，该方法可以实时，高精度，同时预测面部框和界标位置。所提出的方法也属于自由锚类别。这可以通过以下方式实现：（a）通过语义图学习人脸存在的可能性（b）为可能包含人脸的每个位置学习边界框，偏移量和五个界标。具体来说，该方法可以使用...

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。

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

mindspore-model_zoo 中的centerface训练失败

weixin_45666880的博客

08-19

268

问题出现的原因为，自定义的Datast 或map 操作中返回的是一个dict类型数据等，不是numpy array 或 numpy array 组成的元组（tuple）, 当前对应master已修改，增加前置检查 - 您可以确认下自定义的数据处理部分是否返回了dict等，需要返回numpy array。使用model_zoo中的centerface项目，在GPU上训练时出现错误，请问该怎么解决？使用的是mindspore1.3.0-gpu。在modelarts开发环境上运行。

CenterFace.pytorch:非官方版本的人脸，可在人脸检测时实现速度和准确性之间的最佳平衡

03-20

实时人脸检测Centerface 非官方版本的Centerface，可在速度和准确性之间取得最佳平衡。 Centerface是一种适用于边缘设备的实用的免锚人脸检测和对齐方法。该项目提供了培训脚本，培训数据集和预培训模型，以方便用户重现结果。最后，感谢中心人的作者提供的培训建议。 WIDER_FACE验证集中的性能结果使用相同的火车数据集而没有其他数据对于多比例尺，将比例尺设置为0.8、1.0、1.2、1.4 ，但它们的尺寸也将调整为800 * 800，因此我认为这不是真正的多比例尺测试。方法简单中等的难的我们的（一个尺度） 0.9206 0.9089 0.7846 原版的 0.922 0.911 0.782 我们的（多尺度） 0.9306 0.9193 0.8008 要求使用pytorch，您可以使用pip或conda来安装要求 # for pip cd

【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

【人脸检测】centerface实时人脸+5关键点检测

怡宝2号

01-20

5392

说明基于centerface做人脸+5个关键点检测，在1280×720分辨率的视频上能做到22fps左右。模型采用wider_face数据集训练，因为5个关键点标注信息中有一定的问题，所以关键点检测不够准确，但是人脸矩形框是完全没有问题的。效果直接上bilibli视频【实时人脸检测】centerface ...

CenterFace: Joint Face Detection and Alignment Using Face as Point

chenaxin的博客

11-13

3111

摘要无约束环境下的人脸检测和对齐通常部署在内存有限、计算能力低的边缘设备上。本文提出了一种称为（CenterFace）的单阶段方法，可以实时快速、高精度地同时预测人脸边框和特征点位置。所提出的方法也属于无锚类。这是通过以下方法实现的：（a）通过语义地图学习人脸存在的概率（b）学习边界框、偏移量和可能包含人脸的每个位置的五个特征点。具体地说，该方法可以在单个CPU内核上实时运行，使用NVIDIA 2080TI以200 FPS的速度处理VGA分辨率图像，并且可以同时实现更高的精度（Wider Face V

探索CenterFace：实时面部检测的高效解决方案

gitblog_00070的博客

03-26

527

探索CenterFace：实时面部检测的高效解决方案 CenterFaceface detection项目地址:https://gitcode.com/gh_mirrors/ce/CenterFace 项目简介是一个基于深度学习的实时面部检测框架，由Star-Clouds团队开发。它旨在提供高精度、高速度的面部识别服务，尤其适用于嵌入式设备和移动平台的应用场景。技术分析 CenterFace...

深度学习(CNN)人脸检测定位主流算法综述

weixin_40280870的博客

06-19

6109

深度学习人脸检测是一种利用深度学习算法来检测图像中人脸位置的技术，其核心是卷积神经网络（Convolutional Neural Network，CNN），人脸定位是计算机视觉领域的一个重要应用，被广泛应用于人脸识别、表情分析、人脸跟踪等相关领域。人脸检测通常包括两个步骤：1）生成候选框（region proposals）；2）对候选框进行分类和回归，判断其中是否有人脸以及精确定位人脸。当前，深度学习算法在人脸定位领域中得到了广泛的应用，已经取代了传统的人脸定位算法，成为了目前最先进、最准确的技术.

CenterFace人脸检测程序中的一个不为人知的bug

nihate的专栏

09-24

614

程序是用opencv的dnn模块加载CenterFace的onnx文件做人脸检测的，程序源码在github地址是https://github.com/hpc203/CenterFace-opencv-dnn-problem 文件夹里有2幅图片，运行 python problem.py，其中problem.py的源码如下 import cv2 from centerface import CenterFace if __name__ == '__main__': frame = cv2.im.

【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-...

人脸识别模型训练