在 WiderFace 上训练的 Retinaface 模型

Retinaface 在 WiderFace 数据集上以 640x640 分辨率训练，使用 mobilenet0.25 作为骨干网络。 该模型由 Jiankang Deng 等人在论文 RetinaFace: Single-stage Dense Face Localisation in the Wild 中提出。 我们使用的代码版本来自 这个仓库。

我们开发了一个修改版本，可以由 AMD Ryzen AI 支持。

模型描述

Retinaface 是一种用于人脸检测和面部关键点定位的先进算法。它基于深度学习技术，能够准确检测图像中的人脸并提供面部特征点的精确定位。

预期用途与限制

您可以使用原始模型进行人脸检测。请查看 模型中心 以获取所有可用的 Retinaface 模型。

如何使用

安装

按照 Ryzen AI 安装指南 为 Ryzen AI 准备环境。 运行以下脚本安装此模型的先决条件。

pip install -r requirements.txt 

数据准备（可选：用于精度评估）

1. 下载 WIDERFACE 数据集。
2. 按如下方式组织数据集目录： （注意：train 和 test 对于验证集上的精度评估不是必需的。wider_val.txt 仅包含 val 文件名，不包含标签信息。）

  ./data/widerface/
    val/
      images/
      wider_val.txt

测试与评估

• 对单张图像运行推理

python widerface_onnx_inference.py  -m .\weights\RetinaFace_int.onnx --image_path \WIDERFACE_VAL_IMAGE_PAT --ipu --provider_config Path\To\vaip_config.json
#返回三个列表：boxes, confs, landms 
#如果您想更改图像路径，请从 widerface val 数据集中选择另一张图像，设置 --image_path  new_image_path

注意：vaip_config.json 位于 Ryzen AI 的安装包中（请参考 安装）

• 测试量化模型的精度

1. 生成 txt 文件

python widerface_onnx_evalute.py --ipu --provider_config Path\To\vaip_config.json

2. 评估 txt 结果。示例来自 这里

cd ./widerface_evaluate
python evaluation.py #请修改评估路径

性能

@inproceedings{deng2019retinaface,
title={RetinaFace: Single-stage Dense Face Localisation in the Wild},
author={Deng, Jiankang and Guo, Jia and Yuxiang, Zhou and Jinke Yu and Irene Kotsia and Zafeiriou, Stefanos},
booktitle={arxiv},
year={2019}