PFLD pytorch

Pfld-pytorch

Mise en œuvre de PFLD Un détecteur de repère facial pratique par Pytorch.

1. Installer les exigences

pip3 install -r requirements.txt

2. ensembles de données

• Téléchargement de l'ensemble de données WFLW

Des monuments pour le visage plus larges dans le monde (WFLW) sont un nouvel ensemble de données de visage proposé. Il contient 10000 visages (7500 pour la formation et 2500 pour les tests) avec 98 repères annotés entièrement manuels.

1. Images de formation et de test WFLW [Google Drive] [Baidu Drive]
2. Annotations de face WFLW
3. Décompressez au-dessus de deux packages et mettez-les sur ./data/WFLW/
4. déplacer Mirror98.txt à WFLW/WFLW_annotations

$ cd data 
$ python3 SetPreparation.py

3. Formation et tests

entraînement :

$ python3 train.py

Utilisez Tensorboard, ouvrez un nouveau terminal

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

essai:

$ python3 test.py

4. Résultats:

5. Pytorch -> onnx -> ncnn

Pytorch -> onnx

python3 pytorch2onnx.py

onnx -> ncnn

comment construire: https: //github.com/tencent/ncnn/wiki/how-to-build

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

Vous pouvez maintenant utiliser pfld-sim.param et pfld-sim.bin dans ncnn:

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. Référence:

PFLD: Un détecteur de monument facial pratique https://arxiv.org/pdf/1902.10859.pdf

Implémentation de Tensorflow: https://github.com/guoqiangqi/pfld