ZQCNN
ZQCNN copied to clipboard
一款推理框架,同时有很多有用的demo,觉得好用请点星啊
简介
ZQCNN是一款推理框架,可以在windows, linux 和 arm-linux下运行。同时有一些人脸检测、识别相关的demo。
主开发环境 :VS2015 with Update 3
MKL下载地址:此处下载
核心模块支持linux:
如果按照build-with-cmake.md不能完全编译,可以只编译ZQ_GEMM,ZQCNN,和其他你想测试的程序
核心模块支持arm-linux:
如果按照build-with-cmake.md不能完全编译,可以只编译ZQ_GEMM,ZQCNN,和其他你想测试的程序
BUG: cmake .. -DSIMD_ARCH_TYPE=arm64 -DBLAS_TYPE=openblas_zq_gemm
理想情况下会使用openblas和ZQ_GEMM较快的一方来计算卷积(我通过在cortex-A72上测试时间来选择分支)。然而目前这个选项并不能达到预期效果, 需要手工注在ZQ_CNN_CompileConfig.h里定义
#define ZQ_CNN_USE_ZQ_GEMM 1
#define ZQ_CNN_USE_BLAS_GEMM 1
可以注释掉
line 67: #if defined(ZQ_CNN_USE_BOTH_BLAS_ZQ_GEMM)
line 70: #endif
训练相关
pytorch训练SSD: https://github.com/zuoqing1988/pytorch-ssd-for-ZQCNN
训练性别年龄:https://github.com/zuoqing1988/train-GenderAge
训练MTCNN:https://github.com/zuoqing1988/train-mtcnn
训练SSD: https://github.com/zuoqing1988/train-ssd
训练MTCNN用于人头检测:https://github.com/zuoqing1988/train-mtcnn-head
更新日志
2022-08-18日更新: 优化了视频模式下人脸106点pipeline,新加入了一个头部姿态视线模型
demo程序在SampleVideoFaceDetection_Interface.cpp
原始106点pb模型和头部姿态视线pb模型在TensorFlow_to_ZQCNN里
2022-04-20日更新: 支持pytorch-ssd-for-ZQCNN训练的SSD模型
2020-05-08日更新: 添加文字识别示例SampleOCR
暂时还没有文字检测能力,需要输入的图是裁剪好的
模型下载地址
链接:https://pan.baidu.com/s/1O75LRBjXWwPXqAshLMJV3w 提取码:f2q8
2020-03-22日更新: 提供一组可以检测到带口罩的人脸的MTCNN模型
model\det1-dw20-plus.zqparams
model\det1-dw20-plus.nchwbin
model\det2-dw24-p0.zqparams
model\det2-dw24-p0.nchwbin
model\det3-dw48-p0.zqparams
model\det3-dw48-p0.nchwbin
2019-07-08日更新:ZQCNN模型转MNN模型代码
2019-05-28日更新:开源一个准商用级106点模型
ZQCNN格式:在model文件夹det5-dw112
mxnet格式:链接:https://pan.baidu.com/s/19DTG3rmkct8AiEu0l3DYjw 提取码:qjzk
2019-03-16日更新:达到800星,公布更准的106点landmark模型
ZQCNN格式:det5-dw96-v2smodel文件夹中det5-dw96-v2s.zqparams, det5-dw96-v2s.nchwbin
mxnet格式:Lnet106_96_v2s提取码:r5h2
2019-02-14日更新:达到700星,公布人脸检测精选模型
ZQCNN格式:精选6种Pnet、2种Rnet、2种Onet、2种Lnet
六种Pnet | 输入尺寸 | 计算量(不计bbox) | 备注 |
---|---|---|---|
Pnet20_v00 | 320x240 | 8.5 M | 对标libfacedetection |
Pnet20_v0 | 320x240 | 11.6 M | 对标libfacedetection |
Pnet20_v1 | 320x240 | 14.6 M | |
Pnet20_v2 | 320x240 | 18.4 M | 对标原版pnet |
Pnet16_v0 | 256x192 | 7.5 M | stride=4 |
Pnet16_v1 | 256x192 | 9.8 M | stride=4 |
两种Rnet | 输入尺寸 | 计算量 | 备注 |
---|---|---|---|
Rnet_v1 | 24x24 | 0.5 M | 对标原版Rnet |
Rnet_v2 | 24x24 | 1.4 M |
两种Onet | 输入尺寸 | 计算量 | 备注 |
---|---|---|---|
Onet_v1 | 48x48 | 2.0 M | 不含landmark |
Onet_v2 | 48x48 | 3.2 M | 不含landmark |
两种Lnet | 输入尺寸 | 计算量 | 备注 |
---|---|---|---|
Lnet_v2 | 48x48 | 3.5 M | lnet_basenum=16 |
Lnet_v2 | 48x48 | 10.8 M | lnet_basenum=32 |
2019-01-31日更新:达到600星,公布MTCNN人头检测模型
hollywoodheads数据训练的,效果一般,凑合用吧
人头检测mtcnn-headmxnet-v0&zqcnn-v0
2019-01-24日更新:核心模块支持linux
如果按照build-with-cmake.md不能完全编译,可以只编译ZQ_GEMM,ZQCNN,和其他你想测试的程序
2019-01-17日更新
更改了ZQ_CNN_MTCNN.h
(1)init时设置thread_num小于1时可以强制Pnet_stage执行多线程,也就是会分块,对于大图找小脸来说可以防止内存爆掉
(2)rnet/onet/lnet的尺寸可以不是24/48/48,但是只支持宽高相等
(3)rnet/onet/lnet分批处理,在脸非常多时可以减小内存占用
2019-01-15日更新:庆祝达到500星,发放106点landmark模型
2019-01-04日更新:庆祝达到400星,发放快速人脸模型
v3版本还不够好,后面还将出v4版本,大概就是下面这个图的意思
~~2018-12-25日更新:不开源的106点landmark~~
~~生活比较拮据,挣点外快。~~
~~landmark106-normal-1000.jpg是model\det5-dw48-1000.nchwbin生成的landmark~~
~~landmark106-normal.jpg,与landmark106-big.jpg是我训练的两个没开源的模型~~
~~其中normal模型2.1M,计算量11.4M,PC单线程耗时0.6-0.7ms,big模型7.56M,计算量36.4M,PC单线程耗时1.5-1.6ms~~
2018-12-20日更新:添加MTCNN106点landmark模型
在SampleMTCNN里试用(放出来的只是一个不太好的,更好的等着卖钱)
SampleLnet106有计时,单线程约0.6~0.7ms (E5-1650V4, 3.6GHz)
2018-12-03日更新:将模型编译到代码里面
ZQCNN.sln里 model2code 可以将模型编译成代码
model2code.exe param_file model_file code_file prefix
然后在你的工程里面添加
#include"code_file"
使用下面的函数加载模型
LoadFromBuffer(prefix_param, prefix_param_len, prefix_model, prefix_model_len)
2018-11-21日更新
支持mxnet-ssd训练的模型,mean_val需要设成127.5才能在SampleSSD里面正确运行。
但是使用ReLU训练的好像不正确,我用PReLU训练一个,重头训练的,只有mAP=0.48凑合着看吧,点此下载。
更改模型之后必须用imagenet先训练分类模型,然后再训练SSD,才能把mAP弄上去。
2018-11-14日更新
(1)优化ZQ_GEMM,3.6GHz的机器上MKL峰值约46GFLOPS, ZQ_GEMM约32GFLOPS。使用ZQ_GEMM人脸模型总体时间约为使用MKL时1.5倍。
注意:使用VS2017编译出来的ZQ_GEMM比VS2015快,但是SampleMTCNN多线程运行是错的(可能OpenMP的支持规则不同?)。
(2)加载模型时可以去掉非常小的权重。当你发现模型比预料中慢很多时,多半是由于权重值太小造成的。
2018-11-06日更新
(1)去掉layers里所有omp多线程的代码,计算量太小,速度比单线程更慢
(2)cblas_gemm可以选择MKL,不过3rdparty带的mkl在我机器上很慢,dll比较大,我没放在3rdparty\bin里,请从此处下载。
2018-10-30日更新2:MTCNN大图找小脸建议先用高斯滤波
2018-10-30日更新:BatchNorm的eps问题
(1)BatchNorm、BatchNormScale的默认eps都是0
(2)如果是用mxnet2zqcnn从mxnet转过来模型,转的过程中会把eps加到var上面当做新的var
(3)如果是从其他平台转过来模型,要么手工把eps加到var上面,要么在BatchNorm、BatchNormScale后面加上eps=?(?为该平台这个层的eps值)
注意:为了防止除0错,在除var的时候是这么计算的sqrt(__max(var+eps,1e-32)),也就是说如果var+eps小于1e-32,会与理论值略有不同。 不过今天修改之后下面几个人脸模型的LFW的精度反而与minicaffe的结果一模一样了。
2018-10-26日更新
MTCNN支持多线程,大图找小脸而且脸多的情况下,8线程可以取得单线程4倍以上效果,请用data\test2.jpg来测试
2018-10-15日更新
改进MTCNN的nms策略:1.每个scale的Pnet的nms的局部极大必须覆盖一定数量的非极大,数量在参数中设置; 2.当Pnet的分辨率太大时,nms进行分块处理。
2018-09-25日更新
支持insightface的GNAP,自动转模型使用mxnet2zqcnn,查看mxnet2zqcnn。可以试用MobileFaceNet-GNAP
2018-09-20日更新
(1)更新人脸识别模型tar-far精度的测试方法,可以按照步骤How-to-evaluate-TAR-FAR-on-your-dataset自行构造测试集测试模型精度。
(2)按照(1)我清洗CASIA-Webface构造了两个测试集webface1000X50、webface5000X20,并测试了我开源的几个主要人脸识别模型的精度。
2018-09-13日更新
(1)支持从内存加载模型
(2)增加编译配置ZQ_CNN_CompileConfig.h,可以选择是否使用_mm_fmadd_ps, _mm256_fmadd_ps (可以测一下速度看看到底快了还是慢了)。
2018-09-12日更新 利用insightface训练112*96(即sphereface的尺寸)步骤: InsightFace: how to train 112*96
2018-08-15日更新
(1)添加自然场景文本检测,模型从TextBoxes转过来的。我个人觉得速度太慢,而且准确度不高。
注意这个项目里用的PriorBoxLayer与SSD里的PriorBoxLayer是不同的,为了导出ZQCNN格式的权重我修改了deploy.prototxt保存为deploy_tmp.prototxt。 从此处下载模型。
(2)添加图片鉴黄,模型从open_nsfw转过来的,准确度高不高我也没测过。
从此处下载模型。
2018-08-10日更新
成功转了mxnet上的GenderAge-r50模型 以及Arcface-LResNet100E-IR,与转MobileFaceNet模型步骤一样。 查看mxnet2zqcnn
下面Model Zoo 有我转好的模型,比自动转出来的应该略快。
打开ZQCNN.sln运行SampleGenderAge查看效果。我E5-1650V4的CPU,单线程时间波动很大,均值约1900-2000ms,四线程400多ms。
2018-08-09日更新
添加mxnet2zqcnn,成功将mxnet上的MobileFaceNet转成ZQCNN格式(不能保证其他模型也能转成功,ZQCNN还不支持很多Layer)。查看mxnet2zqcnn
2018-08-07日更新
BUG修复:之前Convolution, DepthwiseConvolution, InnerProduct, BatchNormScale/Scale默认with_bias=true, 现在改成默认with_bias=false。也就是之前的代码无法加载不带bias的这几个Layer。
示例,如下这样一个Layer,以前会默认为有bias_term,现在默认没有bias_term
Convolution name=conv1 bottom=data top=conv1 num_output=10 kernel_size=3 stride=1
2018-08-06日更新
增加人脸识别在LFW数据库的精度测试。打开ZQlibFaceID.sln可以看到相关Project。
由于C++代码的计算精度与matlab略有差距,统计出的精度也有一些差别,但是相差在0.1%以内。
2018-08-03日更新
支持多线程(通过openmp加速)。请注意,目前多线程反而比单线程慢
2018-07-26日更新
支持MobileNet-SSD。caffemodel转我用的模型参考export_mobilenet_SSD_caffemodel_to_nchw_binary.m。需要编译出matcaffe才行。 你可以试试这个版本caffe-ZQ
2018-06-05日更新
跟上时代潮流、发布源码。 忘了说需要依赖openblas,我是直接用的mini-caffe里面的那个版本,自己编译出来的很慢。
Model Zoo
人脸检测
MTCNN-author-version 从MTCNN转的格式
人脸识别(如无说明,模型都是ms1m-refine-v2训练的)
模型 | LFW精度(ZQCNN) | LFW精度(OpenCV3.4.2) | LFW精度(minicaffe) | 耗时 (ZQCNN) | 备注 |
---|---|---|---|---|---|
MobileFaceNet-res2-6-10-2-dim128 | 99.67%-99.55%(matlab crop), 99.72-99.60%(C++ crop) | 99.63%-99.65%(matlab crop), 99.68-99.70%(C++ crop) | 99.62%-99.65%(matlab crop), 99.68-99.60%(C++ crop) | 时间与dim256接近 | 网络结构与dim256一样,只不过输出维数不同 |
MobileFaceNet-res2-6-10-2-dim256 | 99.60%-99.60%(matlab crop), 99.62-99.62%(C++ crop) | 99.73%-99.68%(matlab crop), 99.78-99.68%(C++ crop) | 99.55%-99.63%(matlab crop), 99.60-99.62%(C++ crop) | 单线程约21-22ms,四线程约11-12ms, 3.6GHz | 网络结构在下载链接里,用faces_emore训练的 |
MobileFaceNet-res2-6-10-2-dim512 | 99.52%-99.60%(matlab crop), 99.63-99.72%(C++ crop) | 99.70%-99.67%(matlab crop), 99.77-99.77%(C++ crop) | 99.55%-99.62%(matlab crop), 99.62-99.68%(C++ crop) | 时间与dim256接近 | 网络结构与dim256一样,只不过输出维数不同。感谢moli训练此模型 |
模型 | LFW精度(ZQCNN) | LFW精度(OpenCV3.4.2) | LFW精度(minicaffe) | 耗时 (ZQCNN) | 备注 |
---|---|---|---|---|---|
MobileFaceNet-res4-8-16-4-dim128 | 99.72%-99.72%(matlab crop), 99.72-99.68%(C++ crop) | 99.82%-99.83%(matlab crop), 99.80-99.78%(C++ crop) | 99.72%-99.72%(matlab crop), 99.72-99.68%(C++ crop) | 时间与dim256接近 | 网络结构与dim256一样,只不过输出维数不同 |
MobileFaceNet-res4-8-16-4-dim256 | 99.78%-99.78%(matlab crop), 99.75-99.75%(C++ crop) | 99.82%-99.82%(matlab crop), 99.80-99.82%(C++ crop) | 99.78%-99.78%(matlab crop), 99.73-99.73%(C++ crop) | 单线程约32-33ms,四线程约16-19ms, 3.6GHz | 网络结构在下载链接里,用faces_emore训练的 |
MobileFaceNet-res4-8-16-4-dim512 | 99.80%-99.73%(matlab crop), 99.85-99.83%(C++ crop) | 99.83%-99.82%(matlab crop), 99.87-99.83%(C++ crop) | 99.80%-99.73%(matlab crop), 99.85-99.82%(C++ crop) | 时间与dim256接近 | 网络结构与dim256一样,只不过输出维数不同。感谢moli训练此模型 |
模型\测试集webface1000X50 | thresh@ FAR=1e-7 | TAR@ FAR=1e-7 | thresh@ FAR=1e-6 | TAR@ FAR=1e-6 | thresh@ FAR=1e-5 | TAR@ FAR=1e-5 |
---|---|---|---|---|---|---|
MobileFaceNet-res2-6-10-2-dim128 | 0.78785 | 9.274% | 0.66616 | 40.459% | 0.45855 | 92.716% |
MobileFaceNet-res2-6-10-2-dim256 | 0.77708 | 7.839% | 0.63872 | 40.934% | 0.43182 | 92.605% |
MobileFaceNet-res2-6-10-2-dim512 | 0.76699 | 8.197% | 0.63452 | 38.774% | 0.41572 | 93.000% |
MobileFaceNet-res4-8-16-4-dim128 | 0.79268 | 9.626% | 0.65770 | 48.252% | 0.45431 | 95.576% |
MobileFaceNet-res4-8-16-4-dim256 | 0.76858 | 9.220% | 0.62852 | 46.195% | 0.40010 | 96.929% |
MobileFaceNet-res4-8-16-4-dim512 | 0.76287 | 9.296% | 0.62555 | 44.775% | 0.39047 | 97.347% |
模型\测试集webface5000X20 | thresh@ FAR=1e-7 | TAR@ FAR=1e-7 | thresh@ FAR=1e-6 | TAR@ FAR=1e-6 | thresh@ FAR=1e-5 | TAR@ FAR=1e-5 |
---|---|---|---|---|---|---|
MobileFaceNet-res2-6-10-2-dim128 | 0.70933 | 29.558% | 0.51732 | 85.160% | 0.45108 | 94.313% |
MobileFaceNet-res2-6-10-2-dim256 | 0.68897 | 28.376% | 0.48820 | 85.278% | 0.42386 | 94.244% |
MobileFaceNet-res2-6-10-2-dim512 | 0.68126 | 27.708% | 0.47260 | 85.840% | 0.40727 | 94.632% |
MobileFaceNet-res4-8-16-4-dim128 | 0.71238 | 32.153% | 0.51391 | 89.525% | 0.44667 | 96.583% |
MobileFaceNet-res4-8-16-4-dim256 | 0.68490 | 30.639% | 0.46092 | 91.900% | 0.39198 | 97.696% |
MobileFaceNet-res4-8-16-4-dim512 | 0.67303 | 32.404% | 0.45216 | 92.453% | 0.38344 | 98.003% |
模型\测试集TAO ids:6606,ims:87210 | thresh@ FAR=1e-7 | TAR@ FAR=1e-7 | thresh@ FAR=1e-6 | TAR@ FAR=1e-6 | thresh@ FAR=1e-5 | TAR@ FAR=1e-5 |
---|---|---|---|---|---|---|
MobileFaceNet-res2-6-10-2-dim128 | 0.92204 | 01.282% | 0.88107 | 06.837% | 0.78302 | 41.740% |
MobileFaceNet-res2-6-10-2-dim256 | 0.91361 | 01.275% | 0.86750 | 07.081% | 0.76099 | 42.188% |
MobileFaceNet-res2-6-10-2-dim512 | 0.90657 | 01.448% | 0.86061 | 07.299% | 0.75488 | 41.956% |
MobileFaceNet-res4-8-16-4-dim128 | 0.92098 | 01.347% | 0.88233 | 06.795% | 0.78711 | 41.856% |
MobileFaceNet-res4-8-16-4-dim256 | 0.90862 | 01.376% | 0.86397 | 07.083% | 0.75975 | 42.430% |
MobileFaceNet-res4-8-16-4-dim512 | 0.90710 | 01.353% | 0.86190 | 06.948% | 0.75518 | 42.241% |
模型\测试集ZQCNN-Face_5000_X_20 | thresh@ FAR=1e-8 | TAR@ FAR=1e-8 | thresh@ FAR=1e-7 | TAR@ FAR=1e-7 | thresh@ FAR=1e-6 | TAR@ FAR=1e-6 |
---|---|---|---|---|---|---|
MobileFaceNet-GNAP | 0.73537 | 11.722% | 0.69903 | 20.110% | 0.65734 | 33.189% |
MobileFaceNet-res2-6-10-2-dim128 | 0.64772 | 40.527% | 0.60485 | 55.345% | 0.55571 | 70.986% |
MobileFaceNet-res2-6-10-2-dim256 | 0.61647 | 42.046% | 0.57561 | 55.801% | 0.52852 | 70.622% |
MobileFaceNet-res2-6-10-2-dim512 | 0.59725 | 44.651% | 0.55690 | 58.220% | 0.51134 | 72.294% |
MobileFaceNet-res4-8-16-4-dim128 | 0.64519 | 47.735% | 0.60247 | 62.882% | 0.55342 | 77.777% |
MobileFaceNet-res4-8-16-4-dim256 | 0.58229 | 56.977% | 0.54582 | 69.118% | 0.49763 | 82.161% |
MobileFaceNet-res4-8-16-4-dim512 | 0.58296 | 54.731% | 0.54219 | 68.613% | 0.49174 | 82.812% |
MobileFaceNet-res8-16-32-8-dim512 | 0.58058 | 61.826% | 0.53841 | 75.281% | 0.49098 | 86.554% |
模型\测试集ZQCNN-Face_5000_X_20 | thresh@ FAR=1e-8 | TAR@ FAR=1e-8 | thresh@ FAR=1e-7 | TAR@ FAR=1e-7 | thresh@ FAR=1e-6 | TAR@ FAR=1e-6 |
---|---|---|---|---|---|---|
ArcFace-r34-v2(非本人训练) | 0.61953 | 47.103% | 0.57375 | 62.207% | 0.52226 | 76.758% |
ArcFace-r50 (ms1m-refine-v1非本人训练) | 0.61299 | 50.594% | 0.56658 | 65.757% | 0.51637 | 79.207% |
ArcFace-r100 (非本人训练) | 0.57350 | 67.434% | 0.53136 | 79.944% | 0.48164 | 90.147% |
模型\测试集ZQCNN-Face_12000_X_10-40 | thresh@ FAR=1e-8 | TAR@ FAR=1e-8 | thresh@ FAR=1e-7 | TAR@ FAR=1e-7 | thresh@ FAR=1e-6 | TAR@ FAR=1e-6 |
---|---|---|---|---|---|---|
MobileFaceNet-res2-6-10-2-dim128 | 0.64507 | 39.100% | 0.60347 | 53.638% | 0.55492 | 69.516% |
MobileFaceNet-res2-6-10-2-dim256 | 0.61589 | 39.864% | 0.57402 | 54.179% | 0.52596 | 69.658% |
MobileFaceNet-res2-6-10-2-dim512 | 0.60030 | 41.309% | 0.55806 | 55.676% | 0.50984 | 70.979% |
MobileFaceNet-res4-8-16-4-dim128 | 0.64443 | 45.764% | 0.60060 | 61.564% | 0.55168 | 76.776% |
MobileFaceNet-res4-8-16-4-dim256 | 0.58879 | 52.542% | 0.54497 | 67.597% | 0.49547 | 81.495% |
MobileFaceNet-res4-8-16-4-dim512 | 0.58492 | 51.752% | 0.54085 | 67.104% | 0.49010 | 81.836% |
MobileFaceNet-res8-16-32-8-dim512 | 0.58119 | 61.412% | 0.53700 | 75.520% | 0.48997 | 86.647% |
模型\测试集ZQCNN-Face_12000_X_10-40 | thresh@ FAR=1e-8 | TAR@ FAR=1e-8 | thresh@ FAR=1e-7 | TAR@ FAR=1e-7 | thresh@ FAR=1e-6 | TAR@ FAR=1e-6 |
---|---|---|---|---|---|---|
ArcFace-r34-v2 (非本人训练) | 0.61904 | 45.072% | 0.57173 | 60.964% | 0.52062 | 75.789% |
ArcFace-r50(ms1m-refine-v1非本人训练) | 0.61412 | 48.155% | 0.56749 | 63.676% | 0.51537 | 78.138% |
ArcFace-r100 (非本人训练) | 0.57891 | 63.854% | 0.53337 | 78.129% | 0.48079 | 89.579% |
更多人脸模型请查看Model-Zoo-for-Face-Recognition
表情识别
FacialEmotion 七类表情用Fer2013训练
性别年龄识别
GenderAge-ZQ 使用train-GenderAge训练出来的模型
目标检测
MobileNetSSD 从MobileNet-SSD转的格式
MobileNetSSD-Mouth 用于SampleDetectMouth
文字检测
图片鉴黄
相关文章
(4)向量点积的精度问题
(5)ZQCNN支持Depthwise Convolution并用mobilenet改了一把SphereFaceNet-10
(7)ZQCNN支持SSD,比mini-caffe快大概30%
(13)普通卷积、mobilenet卷积、全局平均池化的矩阵描述
(14)ZQ_FastFaceDetector更快更准的人脸检测库
Android编译说明
- 修改build.sh中的ndk路径和opencv安卓sdk的路径
- 修改CMakeLists.txt 从原来的 #add_definitions(-march=native) add_definitions(-mfpu=neon) add_definitions(-mfloat-abi=hard) 改为 #add_definitions(-march=native) add_definitions(-mfpu=neon) add_definitions(-mfloat-abi=softfp)
- 这样应该可以编译两个库ZQ_GEMM和ZQCNN了.如果要编译SampleMTCNN可以按照错误提示修改不能编译的部分,主要是openmp和计时函数.