使用ONNX+TensorRT部署人脸检测和关键点250fps - 知乎

最新推荐文章于 2025-06-17 17:33:16 发布
转载 最新推荐文章于 2025-06-17 17:33:16 发布 · 381 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://zhuanlan.zhihu.com/p/86827710
文章标签：

#c++ #深度学习 #计算机视觉 #opencv

该博客介绍了利用ONNX和TensorRT进行人脸检测和关键点的部署，能达到250fps的速度，涉及深度学习和计算机视觉领域，运用了OpenCV等技术。
onnx retina人脸检测
jacke121的专栏
02-25 1423
import os import time from math import ceil import onnxruntime import numpy as np import cv2 import argparse import argparse import numpy as np from data import cfg_mnet, cfg_peleenet from utils.nms...
轻量人脸检测，5个关键点
jacke121的专栏
05-07 3148
https://github.com/midasklr/LightWeightFaceDetector mobilenetv3_small 模型2.1m Models Easy Medium Hard mobilenetv1_0.25 0.91718 0.79766 0.3592 mobilenetv2_0.1 0.85330 0.68946 0.2993 mobilenetv3_small 0.93419 0.8...
ONNX：轻量级人脸检测模型
03-10
ONNX：轻量级人脸检测模型
mtcnn_facenet_cpp_tensorRT:使用TensorRT在NVIDIA Jetson（Nano）上进行人脸识别
05-02
使用TensorRT的NVIDIA Jetson（Nano）的人脸识别 带有架构的人脸识别和David Sandberg（ ）使用TensorRT和OpenCV重新训练的模型。 该项目基于FaceNet模型的输出层中所需的l2norm helper函数的实现。 链接到： 。 此外，该项目使用的改编版本进行人脸检测。 下面的更多信息。 硬件 NVIDIA Jetson Nano Raspberry Pi v2相机 如果要使用USB摄像头而不是Raspi摄像头，请在中将布尔值isCSICam设置为false。 依存关系 cuda 10.2 + cudnn 8.0 TensorRT 7.x OpenCV 4.1.1 TensorFlow r1.14（用于Python将模型从.pb转换为.uff） 更新 这个主分支现在使用Jetpack 4.4，因此依赖项已稍有更改，并且不再预先安装tens
TensorRT MTCNN 人脸检测
猫猫与橙子的博客
03-05 1983
参考demo：https://github.com/PKUZHOU/MTCNN_FaceDetection_TensorRT
用 C# 做人脸检测（基于EmguCV）
热门推荐
My name is Conmajia
05-24 2万+
作者：野比 （conmajia@gmail.com） 时间：May, 2012 封面图片为野比原创，请勿未经允许私自引用   下载源码   准备工作（必须） 下载 EmguCV 傻瓜安装后，把 bin 目录添加到环境变量里去，比如安装在 X:\EmguCV\ 目录下，就在命令行输入这句话。   1 PATH X:\EmguCV\b
轻量级高精度人脸关键点推荐
jacke121的专栏
05-10 3421
https://github.com/midasklr/facelandmarks
人脸识别之人脸关键点
m0_67401545的博客
05-20 1698
深度学习人脸关键点检测方法----综述 转自人脸关键点检测综述 不知道为什么在ubuntu下知呼中的图片无法显示 人脸关键点检测是人脸识别和分析领域中的关键一步，它是诸如自动人脸识别、表情分析、三维人脸重建及三维动画等其它人脸相关问题的前提和突破口。因此，本文针对深度学习方法进行了人脸关键点检测的研究。 一、人脸关键点数据集 传统人脸关键点检测数据库为室内环境下采集的数据库，比如 Multi-pie、Feret、Frgc、AR、BioID 等人脸数据库。而现阶段人脸关键点检测数据库通常为复杂环境下采集的数
人脸识别之人脸关键点(仅供本人参考)
light169的专栏
05-13 1万+
人脸关键点
21、Jetson Xavier Nx使用Centerface+Arcface进行人脸识别、认证、比对。并且使用USB转TTL进行串口通信
sxj731533730
11-04 6239
基本思想：使用Jetson Nano Ax进行人脸识别和认证比对 一、下载源码 git clone https://github.com/jkjung-avt/tensorrt_demos.git 在环境配置好的基础上，50、ubuntu18.04/20.04进行TensorRT环境搭建和YOLO5部署(含安装vulkan）_sxj731533730-优快云博客 （1）将库文件 /home/ubuntu/NVIDIA_CUDA-11.1_Samples/TensorRT-7.2.2.3/li
TensorRT-使用TensorRT+YOLOv7实现的人脸检测算法-算法加速-优质算法部署项目实战.zip
10-21
TensorRT_使用TensorRT+YOLOv7实现的人脸检测算法_算法加速_优质算法部署项目实战
Tensorflow之人脸识别
雷亮的博客
06-16 2321
Tensorflow之人脸识别环境搭建开发工具截取人脸训练评估模型识别人脸总结 环境搭建 1.python3.5以上 2.opencv 3.pillow 4.tensorflow 5.keras 6.sklearn 开发工具 pycharm（社区版是免费的） 下载链接https://www.jetbrains.com/pycharm/download/#section=windows 截取人脸 ...
探索高效人脸识别：RetinaFace TensorRT 实现
gitblog_00089的博客
04-24 531
探索高效人脸识别：RetinaFace TensorRT 实现 在人工智能领域，人脸识别是一项广泛应用于安全、社交、娱乐等场景的关键技术。 是一个开源项目，它将 RetinaFace 检测模型与 NVIDIA 的 TensorRT 优化库相结合，为实时高性能的人脸检测提供了可能。 项目简介 RetinaFace 是一种先进的人脸检测算法，由原先的 RetinaNet 网络架构发展而来，增强了对小尺...
基于onnx的人脸识别
人工智能
12-12 3848
基本出发点是想做一个C++版本的人脸识别，而caffe的C++库，或mxnet的C++库等，暂时还不会编译，而之前基于onnxruntime 搞过一个项目，对这个库稍微了解一些，所以尽量采用onnx搞定全部功能 核心的识别是基于https://github.com/onnx/models/blob/master/vision/body_analysis/arcfacehttps://github.com/onnx/models/blob/master/vision/body_analysis/arcfac
【人脸检测 FPS 1000+】ubuntu下libfacedetection tensorrt部署
整理ing
10-25 869
【FPS 1000+】ubuntu下libfacedetection人脸检测 tensorrt加速部署
windows环境 python + opencv 加载 onnx 人脸检测模型识别人脸测试
heshiyuan1406146854的博客
07-28 624
( 代码就是在此博客代码基础上改的，主要添加了人脸画框的逻辑 )1. windows环境：win11。
基于 ONNX 的 Retina 人脸检测：高效准确的人脸识别算法
.
03-19 1119
在上面的代码中，我们首先加载了转换好的 Retinaface ONNX 模型，然后定义了输入和输出的名称。接下来，我们打开摄像头，并不断读取帧数据，将其转换为 ONNX 格式，并使用 ONNX 运行模型，最后将结果绘制到图像上并显示。总之，基于 ONNX 的 Retinaface 人脸检测算法是一个高效而准确的解决方案，该算法的准确度已经得到了广泛的验证，同时也得到了许多业界和学术界的认可。在本文中，我们将介绍如何基于 ONNX 进行 Retinaface 人脸检测，从而提高识别准确率并提升系统效率。
c# 人脸检测（典型方法）
rxm1989的专栏
09-25 417
using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Windows.Forms; using Emgu.CV;
基于ONNX的跨平台边缘计算人脸识别方案
最新发布
AI智能探索者的博客
06-17 879
在“万物互联”的时代，人脸识别技术已渗透到智能门锁、安防摄像头、手机解锁等场景。延迟高：数据上传云端需经过网络，紧急场景（如刷脸支付）可能因延迟影响体验；隐私风险：人脸数据上传云端存在泄露隐患。因此，“边缘计算”（在设备本地完成计算）成为趋势。但边缘设备（手机、摄像头、工控机）的硬件（CPU/GPU/NPU）和系统（Android/iOS/Windows/Linux）千差万别，如何让一个人脸识别模型在不同平台高效运行？
yoloface
03-15
<think>好的，用户正在寻找关于YoloFace的教程或项目介绍。我需要先理解用户的具体需求。他们可能对YOLOFace的实现细节、安装步骤或使用方法感兴趣。根据用户提供的引用内容，尤其是引用[1]，里面提到了YOLOFace基于YOLOv5，能够检测人脸位置和五个关键点，适用于人脸对齐。用户可能希望了解如何快速启动项目，安装依赖，以及如何使用其接口进行人脸检测。 首先，我应该整理已有的引用信息。引用[1]提到项目快速启动和依赖安装，引用[2]提供了头文件的链接，引用[3]是YOLO项目的汇总，引用[4]是知乎上的教程链接。用户可能需要分步骤的教程，包括环境配置、代码示例和应用场景。 接下来，我需要确保回答结构清晰，分点说明，并且符合用户要求的格式，比如使用中文，正确应用LaTeX语法。同时，用户要求生成相关问题，可能需要围绕YOLOFace的应用、优化、关键点检测等方面提问。 需要注意用户提到的系统级指令，比如行内数学表达式使用$...$，但在这个问题中可能涉及较少，除非提到算法中的公式，比如损失函数。但根据引用内容，YOLOFace主要基于YOLO算法，可能需要提到其核心思想，如单次检测、实时性等，这时候如果有相关数学表达式需要正确使用LaTeX格式。 此外，用户提供的引用中有一些链接，需要正确引用标识。比如引用[1]是项目教程，引用[2]是头文件，引用[4]是知乎教程。在回答中引用这些内容时，需要在末尾添加引用标识，如[^1]、[^2]等。 需要检查是否有遗漏的信息，比如YOLOFace的关键点检测功能、性能优势、依赖安装的具体步骤等。同时，可能需要补充一些代码示例，比如如何使用YOLOFace的接口进行检测，这部分可能需要参考引用[2]中的头文件结构。 最后，生成相关问题时要围绕用户可能感兴趣的方面，比如与其他模型的对比、优化方法、实际应用案例等。确保问题具有针对性，帮助用户深入探索YOLOFace的相关内容。</think>### YOLOFace 项目介绍与使用教程 YOLOFace 是基于 YOLOv5 改进的人脸检测项目，支持人脸位置检测和五个关键点定位（用于人脸对齐）。以下为项目核心功能及使用教程： --- #### **1. 环境配置** - **安装依赖**：需安装 PyTorch、OpenCV 和 YOLOv5 相关库 ```bash pip install torch opencv-python-headless git clone https://github.com/xxx/YOLOFace # 替换为实际仓库地址 ``` 详细依赖见项目文档[^1]。 --- #### **2. 核心功能** - **人脸检测**：输入单张图像或视频流，输出人脸边界框坐标。 - **关键点检测**：返回人脸五个关键点坐标（如眼角、鼻尖），支持对齐任务。 - **实时性**：基于 YOLO 单阶段检测框架，速度可达 30 FPS（依赖硬件）。 --- #### **3. 代码示例** ```python import cv2 from yoloface import YOLOFace # 初始化模型（需下载预训练权重） model = YOLOFace(model_path="yolo5face.pt") # 检测图像 image = cv2.imread("test.jpg") results = model.detect(image) # 绘制结果 for box, landmarks in results: x1, y1, x2, y2 = box cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) for (x, y) in landmarks: cv2.circle(image, (x, y), 2, (0, 0, 255), -1) cv2.imwrite("result.jpg", image) ``` --- #### **4. 应用场景** - **人脸识别预处理**：关键点用于对齐，提升识别准确率。 - **视频监控**：实时检测多张人脸，适用于安防场景。 - **AR/VR**：通过关键点实现虚拟贴纸或表情驱动[^4]。 --- #### **5. 性能优化建议** - **模型轻量化**：使用 TensorRT 或 ONNX 加速推理[^2]。 - **多尺度训练**：提升小尺寸人脸的检测效果。 - **数据增强**：添加遮挡、光照变化等增强鲁棒性。 ---
评论
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