retinaface

RetinaFace准备部署模型

• RetinaFace
  • （1）官方库中提供的*.pt通过导出ONNX模型操作后，可进行部署；
  • （2）自己数据训练的RetinaFace模型，可按照导出ONNX模型后，完成部署。

导出ONNX模型

下载预训练ONNX模型已事先转换成ONNX；如果从RetinaFace官方repo下载的模型，需要按如下教程导出ONNX。

• 下载官方仓库并

git clone https://github.com/biubug6/Pytorch_Retinaface.git

• 下载预训练权重并放在weights文件夹

./weights/
      mobilenet0.25_Final.pth
      mobilenetV1X0.25_pretrain.tar
      Resnet50_Final.pth

• 运行convert_to_onnx.py导出ONNX模型文件

PYTHONPATH=. python convert_to_onnx.py --trained_model ./weights/mobilenet0.25_Final.pth --network mobile0.25 --long_side 640 --cpu
PYTHONPATH=. python convert_to_onnx.py --trained_model ./weights/Resnet50_Final.pth --network resnet50 --long_side 640 --cpu

注意：需要先对convert_to_onnx.py脚本中的--long_side参数增加类型约束，type=int.

• 使用onnxsim对模型进行简化

onnxsim FaceDetector.onnx Pytorch_RetinaFace_mobile0.25-640-640.onnx  # mobilenet
onnxsim FaceDetector.onnx Pytorch_RetinaFace_resnet50-640-640.onnx  # resnet50

下载预训练ONNX模型

为了方便开发者的测试，下面提供了RetinaFace导出的各系列模型，开发者可直接下载使用。（下表中模型的精度来源于源官方库）

模型	大小	精度
RetinaFace_mobile0.25-640	1.7MB	-
RetinaFace_mobile0.25-720	1.7MB	-
RetinaFace_resnet50-640	105MB	-
RetinaFace_resnet50-720	105MB	-

详细部署文档

• Python部署
• C++部署

版本说明

• 本版本文档和代码基于RetinaFace CommitID:b984b4b 编写