PFLD pytorch

Pfld-Pytorch

Implementierung von PFLD Ein praktischer Meilensteindetektor von Pytorch.

1. Anforderungen installieren

pip3 install -r requirements.txt

2. Datensätze

• WFLW -Datensatz Download

Breitere Gesichtsmarke in-the-wild (WFLW) ist ein neuer vorgeschlagener Gesichtsdatensatz. Es enthält 10000 Gesichter (7500 für das Training und 2500 zum Testen) mit 98 vollständig manuellen annotierten Orientierungspunkten.

1. WFLW -Trainings- und Testbilder [Google Drive] [Baidu Drive]
2. WFLW Gesichtsanmerkungen
3. Über zwei Pakete entpacken und sie auf ./data/WFLW/ anziehen
4. Mirror98.txt WFLW/WFLW_annotations

$ cd data 
$ python3 SetPreparation.py

3. Training und Tests

Ausbildung :

$ python3 train.py

Verwenden Sie Tensorboard, öffnen Sie ein neues Terminal

 $ tensorboard  --logdir=./checkpoint/tensorboard/

Testen:

$ python3 test.py

4. Ergebnisse:

5. Pytorch -> Onnx -> ncnn

Pytorch -> Onnx

python3 pytorch2onnx.py

onnx -> ncnn

Erstellung

 cd ncnn/build/tools/onnx
./onnx2ncnn pfld-sim.onnx pfld-sim.param pfld-sim.bin

Jetzt können Sie pfld-sim.param und pfld-sim.bin in NCNN verwenden:

ncnn::Net pfld;
pfld.load_param( " path/to/pfld-sim.param " );
pfld.load_model( " path/to/pfld-sim.bin " );

cv::Mat img = cv::imread(imagepath, 1 );
ncnn::Mat in = ncnn::Mat::from_pixels_resize(img.data, ncnn::Mat::PIXEL_BGR, img.cols, img.rows, 112 , 112 );
const float norm_vals[ 3 ] = { 1 / 255 . f , 1 / 255 . f , 1 / 255 . f };
in.substract_mean_normalize( 0 , norm_vals);

ncnn::Extractor ex = pfld.create_extractor();
ex.input( " input_1 " , in);
ncnn::Mat out;
ex.extract( " 415 " , out);

6. Referenz:

PFLD: Ein praktischer Gesichtsmark -Detektor https://arxiv.org/pdf/1902.10859.pdf

TensorFlow -Implementierung: https://github.com/guoqiangqi/pfld