# AdaFace Python部署示例 本目录下提供infer_xxx.py快速完成AdaFace模型在CPU/GPU，以及GPU上通过TensorRT加速部署的示例。 在部署前，需确认以下两个步骤 - 1. 软硬件环境满足要求，参考[FastDeploy环境要求](../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md) - 2. FastDeploy Python whl包安装，参考[FastDeploy Python安装](../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md) 以AdaFace为例子, 提供`infer.py`快速完成AdaFace在CPU/GPU，以及GPU上通过TensorRT加速部署的示例。执行如下脚本即可完成 ```bash #下载部署示例代码 git clone https://github.com/PaddlePaddle/FastDeploy.git cd examples/vision/faceid/adaface/python/ #下载AdaFace模型文件和测试图片 #下载测试图片 wget https://bj.bcebos.com/paddlehub/fastdeploy/rknpu2/face_demo.zip unzip face_demo.zip # 如果为Paddle模型，运行以下代码 wget https://bj.bcebos.com/paddlehub/fastdeploy/mobilefacenet_adaface.tgz tar zxvf mobilefacenet_adaface.tgz -C ./ # CPU推理 python infer.py --model mobilefacenet_adaface/mobilefacenet_adaface.pdmodel \ --params_file mobilefacenet_adaface/mobilefacenet_adaface.pdiparams \ --face face_0.jpg \ --face_positive face_1.jpg \ --face_negative face_2.jpg \ --device cpu # GPU推理 python infer.py --model mobilefacenet_adaface/mobilefacenet_adaface.pdmodel \ --params_file mobilefacenet_adaface/mobilefacenet_adaface.pdiparams \ --face face_0.jpg \ --face_positive face_1.jpg \ --face_negative face_2.jpg \ --device gpu # GPU上使用TensorRT推理 python infer.py --model mobilefacenet_adaface/mobilefacenet_adaface.pdmodel \ --params_file mobilefacenet_adaface/mobilefacenet_adaface.pdiparams \ --face face_0.jpg \ --face_positive face_1.jpg \ --face_negative face_2.jpg \ --device gpu \ --use_trt True # 昆仑芯XPU推理 python infer.py --model mobilefacenet_adaface/mobilefacenet_adaface.pdmodel \ --params_file mobilefacenet_adaface/mobilefacenet_adaface.pdiparams \ --face test_lite_focal_arcface_0.JPG \ --face_positive test_lite_focal_arcface_1.JPG \ --face_negative test_lite_focal_arcface_2.JPG \ --device kunlunxin ``` 运行完成可视化结果如下图所示
```bash FaceRecognitionResult: [Dim(512), Min(-0.133213), Max(0.148838), Mean(0.000293)] FaceRecognitionResult: [Dim(512), Min(-0.102777), Max(0.120130), Mean(0.000615)] FaceRecognitionResult: [Dim(512), Min(-0.116685), Max(0.142919), Mean(0.001595)] Cosine 01: 0.7483505506964364 Cosine 02: -0.09605773855893639 ``` ## AdaFace Python接口 ```python fastdeploy.vision.faceid.AdaFace(model_file, params_file=None, runtime_option=None, model_format=ModelFormat.PADDLE) ``` AdaFace模型加载和初始化，其中model_file为导出的ONNX模型格式或PADDLE静态图格式 **参数** > * **model_file**(str): 模型文件路径 > * **params_file**(str): 参数文件路径，当模型格式为ONNX格式时，此参数无需设定 > * **runtime_option**(RuntimeOption): 后端推理配置，默认为None，即采用默认配置 > * **model_format**(ModelFormat): 模型格式，默认为PADDLE ### predict函数 > ```python > AdaFace.predict(image_data) > ``` > > 模型预测结口，输入图像直接输出检测结果。 > > **参数** > > > * **image_data**(np.ndarray): 输入数据，注意需为HWC，BGR格式 > **返回** > > > 返回`fastdeploy.vision.FaceRecognitionResult`结构体，结构体说明参考文档[视觉模型预测结果](../../../../../docs/api/vision_results/) ### 类成员属性 #### 预处理参数 用户可按照自己的实际需求，修改下列预处理参数，从而影响最终的推理和部署效果 #### AdaFacePreprocessor的成员变量 以下变量为AdaFacePreprocessor的成员变量 > > * **size**(list[int]): 通过此参数修改预处理过程中resize的大小，包含两个整型元素，表示[width, height], 默认值为[112, 112] > > * **alpha**(list[float]): 预处理归一化的alpha值，计算公式为`x'=x*alpha+beta`，alpha默认为[1. / 127.5, 1.f / 127.5, 1. / 127.5] > > * **beta**(list[float]): 预处理归一化的beta值，计算公式为`x'=x*alpha+beta`，beta默认为[-1.f, -1.f, -1.f] > > * **swap_rb**(bool): 预处理是否将BGR转换成RGB，默认True #### AdaFacePostprocessor的成员变量 以下变量为AdaFacePostprocessor的成员变量 > > * **l2_normalize**(bool): 输出人脸向量之前是否执行l2归一化，默认False ## 其它文档 - [AdaFace 模型介绍](..) - [AdaFace C++部署](../cpp) - [模型预测结果说明](../../../../../docs/api/vision_results/) - [如何切换模型推理后端引擎](../../../../../docs/cn/faq/how_to_change_backend.md)