Skip to content

Latest commit

 

History

History
424 lines (309 loc) · 12.3 KB

README_ch.md

File metadata and controls

424 lines (309 loc) · 12.3 KB
Raw

简体中文 | English

InsightFace Paddle

目录

1. 介绍

1.1 总览

InsightFacePaddle是基于PaddlePaddle实现的，开源深度人脸检测、识别工具。InsightFacePaddle目前提供了三个预训练模型，包括用于人脸检测的 BlazeFace、用于人脸识别的 ArcFace 和 MobileFace。

Note:

  • 在此非常感谢 GuoQuanhao 基于PaddlePaddle复现了 Arcface的基线模型。
  • 本项目仅用于快速体验人脸检测与识别全流程，如果希望获得更高的精度，建议使用精度更高的模型。

1.2 模型benchmark

在人脸检测任务中，在WiderFace数据集上，BlazeFace的速度与精度指标信息如下。

模型结构 模型大小 WiderFace精度 CPU 耗时 GPU 耗时
BlazeFace-FPN-SSH-Paddle 0.65MB 0.9187/0.8979/0.8168 31.7ms 5.6ms
RetinaFace 1.68MB -/-/0.825 182.0ms 17.4ms

在人脸识别任务中，基于MS1M训练集，模型指标在lfw、cfp_fp、agedb30上的精度指标以及CPU、GPU的预测耗时如下。

模型结构 lfw cfp_fp agedb30 CPU 耗时 GPU 耗时
MobileFaceNet-Paddle 0.9945 0.9343 0.9613 4.3ms 2.3ms
MobileFaceNet-mxnet 0.9950 0.8894 0.9591 7.3ms 4.7ms

测试环境：

  • CPU: Intel(R) Xeon(R) Gold 6184 CPU @ 2.40GHz
  • GPU: a single NVIDIA Tesla V100

注： RetinaFace的性能数据是使用脚本test.py测试得到，这里将RetinaFace的image shape修改为640x480进行测试。MobileFaceNet-mxnet的性能数据是使用脚本：verification.py测试得到。

1.3 可视化结果展示

基于 InsightFacePaddle 的预测结果，示例如下，更多示例结果请参考 示例。

1.4 欢迎加入深度学习技术交流群

QQ扫描二维码加入交流群（群号：705899115）。

2. 安装

  1. 安装 PaddlePaddle

InsightFacePaddle 需要使用 PaddlePaddle 2.1 及以上版本，可以参考以下步骤安装。

# for GPU
pip3 install paddlepaddle-gpu

# for CPU
pip3 install paddlepaddle

关于安装 PaddlePaddle 的更多信息，请参考 PaddlePaddle。

  1. 安装 requirements

InsightFacePaddle 的依赖在 requirements.txt 中，你可以参考以下步骤安装依赖包。

pip3 install --upgrade -r requirements.txt -i https://mirror.baidu.com/pypi/simple
  1. 安装 InsightFacePaddle
  • [建议] 你可以使用 pip 工具从 pypi 安装最新版本的 InsightFacePaddle。
pip3 install --upgrade insightface-paddle
  • 你也可以自己构建并安装，请参考以下步骤。
cd ./InsightFacePaddle
python3 setup.py bdist_wheel
pip3 install dist/*

3. 快速开始

InsightFacePaddle 提供 命令行（Command Line） 和 Python接口 两种使用方式。

3.1 命令行

在命令行中使用 InsightFacePaddle。

3.1.1 获取参数信息

你可以通过以下命令获取参数信息。

insightfacepaddle -h

InsightFacePaddle 的参数及其解释如下:

参数名（args） 类型（type） 默认值（default） 说明（help）
det_model str BlazeFace 检测模型名称，或本地模型文件所在目录，该目录下需包含 inference.pdmodel、inference.pdiparams 和 inference.pdiparams.info 三个文件。
rec_model str MobileFace 识别模型名称，或本地模型文件所在目录，该目录下需包含 inference.pdmodel、inference.pdiparams 和 inference.pdiparams.info 三个文件。
use_gpu bool True 是否使用 GPU 进行预测，默认为 True。
enable_mkldnn bool False 是否开启 MKLDNN 进行预测，当 --use_gpu 为 False 且 --enable_mkldnn 为 True 时该参数有效，默认值为 False。
cpu_threads int 1 CPU 预测时开启的线程数量，当 --use_gpu 为 False 时该参数有效，默认值为 1。
input str - 要预测的视频文件或图像文件的路径，或包含图像文件的目录。
output str - 保存预测结果的目录。
det bool False 是否进行检测。
det_thresh float 0.8 检测后处理的阈值，默认值为0.8。
rec bool False 是否进行识别。
index str - 索引文件的路径。
cdd_num int 5 识别中检索阶段的候选数量，默认值为5。
rec_thresh float 0.45 识别中的检索阈值，由于剔除相似度过低的候选项。默认值为0.45。
max_batch_size int 1 识别中 batch_size 上限，默认值为1。
build_index str - 要构建的索引文件路径。
img_dir str - 用于构建索引的图像文件目录。
label str - 用于构建索引的标签文件路径。

3.1.2 构建索引

如果使用识别功能，则在开始预测之前，必须先构建索引文件，命令如下。

insightfacepaddle --build_index ./demo/friends/index.bin --img_dir ./demo/friends/gallery --label ./demo/friends/gallery/label.txt

用于构建索引的数据示例如下：

3.1.3 预测

  1. 仅检测
  • Image(s)

使用下图进行测试：

预测命令如下：

insightfacepaddle --det --input ./demo/friends/query/friends1.jpg --output ./output

检测结果图位于路径 ./output 下：

  • Video
insightfacepaddle --det --input ./demo/friends/query/friends.mp4 --output ./output
  1. 仅识别
  • Image(s)

使用下图进行测试：

预测命令如下：

insightfacepaddle --rec --index ./demo/friends/index.bin --input ./demo/friends/query/Rachel.png

检测结果输出在终端中：

INFO:root:File: Rachel.png, predict label(s): ['Rachel']
  1. 检测+识别系统串联
  • Image(s)

使用下图进行测试：

预测命令如下：

insightfacepaddle --det --rec --index ./demo/friends/index.bin --input ./demo/friends/query/friends2.jpg --output ./output

检测结果图位于路径 ./output 下：

  • Video
insightfacepaddle --det --rec --index ./demo/friends/index.bin --input ./demo/friends/query/friends.mp4 --output ./output

3.2 Python

同样可以在 Python 中使用 InsightFacePaddle。首先导入 InsightFacePaddle，因为 InsightFacePaddle 使用 logging 控制日志输入，因此需要导入 logging。

import insightface_paddle as face
import logging
logging.basicConfig(level=logging.INFO)

3.2.1 获取参数信息

parser = face.parser()
parser.print_help()

3.2.2 构建索引

parser = face.parser()
args = parser.parse_args()
args.build_index = "./demo/friends/index.bin"
args.img_dir = "./demo/friends/gallery"
args.label = "./demo/friends/gallery/label.txt"
predictor = face.InsightFace(args)
predictor.build_index()

3.2.3 预测

  1. 仅检测
  • Image(s)
parser = face.parser()
args = parser.parse_args()

args.det = True
args.output = "./output"
input_path = "./demo/friends/query/friends1.jpg"

predictor = face.InsightFace(args)
res = predictor.predict(input_path)
print(next(res))
  • NumPy
import cv2

parser = face.parser()
args = parser.parse_args()

args.det = True
args.output = "./output"
path = "./demo/friends/query/friends1.jpg"
img = cv2.imread(path)[:, :, ::-1]

predictor = face.InsightFace(args)
res = predictor.predict(img)
print(next(res))
  • Video
parser = face.parser()
args = parser.parse_args()

args.det = True
args.output = "./output"
input_path = "./demo/friends/query/friends.mp4"

predictor = face.InsightFace(args)
res = predictor.predict(input_path)
for _ in res:
    print(_)
  1. 仅识别
  • Image(s)
parser = face.parser()
args = parser.parse_args()

args.rec = True
args.index = "./demo/friends/index.bin"
input_path = "./demo/friends/query/Rachel.png"

predictor = face.InsightFace(args)
res = predictor.predict(input_path, print_info=True)
next(res)
  • NumPy
import cv2

parser = face.parser()
args = parser.parse_args()

args.rec = True
args.index = "./demo/friends/index.bin"
path = "./demo/friends/query/Rachel.png"
img = cv2.imread(path)[:, :, ::-1]

predictor = face.InsightFace(args)
res = predictor.predict(img, print_info=True)
next(res)
  1. 检测+识别系统串联
  • Image(s)
parser = face.parser()
args = parser.parse_args()

args.det = True
args.rec = True
args.index = "./demo/friends/index.bin"
args.output = "./output"
input_path = "./demo/friends/query/friends2.jpg"

predictor = face.InsightFace(args)
res = predictor.predict(input_path, print_info=True)
next(res)
  • NumPy
import cv2

parser = face.parser()
args = parser.parse_args()

args.det = True
args.rec = True
args.index = "./demo/friends/index.bin"
args.output = "./output"
path = "./demo/friends/query/friends2.jpg"
img = cv2.imread(path)[:, :, ::-1]

predictor = face.InsightFace(args)
res = predictor.predict(img, print_info=True)
next(res)
  • Video
parser = face.parser()
args = parser.parse_args()

args.det = True
args.rec = True
args.index = "./demo/friends/index.bin"
args.output = "./output"
input_path = "./demo/friends/query/friends.mp4"

predictor = face.InsightFace(args)
res = predictor.predict(input_path, print_info=True)
for _ in res:
    pass