mirror of
https://github.com/PaddlePaddle/FastDeploy.git
synced 2025-11-01 04:12:58 +08:00
91 lines
4.2 KiB
Markdown
91 lines
4.2 KiB
Markdown
# RetinaFace C++部署示例
|
||
|
||
本目录下提供`infer.cc`快速完成RetinaFace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. 根据开发环境，下载预编译部署库和samples代码，参考[FastDeploy预编译库](../../../../../docs/cn/build_and_install/download_prebuilt_libraries.md)
|
||
|
||
以Linux上CPU推理为例，在本目录执行如下命令即可完成编译测试
|
||
|
||
```bash
|
||
mkdir build
|
||
cd build
|
||
wget https://bj.bcebos.com/fastdeploy/release/cpp/fastdeploy-linux-x64-0.6.0.tgz
|
||
tar xvf fastdeploy-linux-x64-0.6.0.tgz
|
||
cmake .. -DFASTDEPLOY_INSTALL_DIR=${PWD}/fastdeploy-linux-x64-0.6.0
|
||
make -j
|
||
|
||
#下载官方转换好的RetinaFace模型文件和测试图片
|
||
wget https://bj.bcebos.com/paddlehub/fastdeploy/Pytorch_RetinaFace_mobile0.25-640-640.onnx
|
||
wget https://raw.githubusercontent.com/DefTruth/lite.ai.toolkit/main/examples/lite/resources/test_lite_face_detector_3.jpg
|
||
|
||
|
||
# CPU推理
|
||
./infer_demo Pytorch_RetinaFace_mobile0.25-640-640.onnx test_lite_face_detector_3.jpg 0
|
||
# GPU推理
|
||
./infer_demo Pytorch_RetinaFace_mobile0.25-640-640.onnx test_lite_face_detector_3.jpg 1
|
||
# GPU上TensorRT推理
|
||
./infer_demo Pytorch_RetinaFace_mobile0.25-640-640.onnx test_lite_face_detector_3.jpg 2
|
||
```
|
||
|
||
运行完成可视化结果如下图所示
|
||
|
||
<img width="640" src="https://user-images.githubusercontent.com/67993288/184301763-1b950047-c17f-4819-b175-c743b699c3b1.jpg">
|
||
|
||
以上命令只适用于Linux或MacOS, Windows下SDK的使用方式请参考:
|
||
- [如何在Windows中使用FastDeploy C++ SDK](../../../../../docs/cn/faq/use_sdk_on_windows.md)
|
||
## RetinaFace C++接口
|
||
|
||
### RetinaFace类
|
||
|
||
```c++
|
||
fastdeploy::vision::facedet::RetinaFace(
|
||
const string& model_file,
|
||
const string& params_file = "",
|
||
const RuntimeOption& runtime_option = RuntimeOption(),
|
||
const ModelFormat& model_format = ModelFormat::ONNX)
|
||
```
|
||
|
||
RetinaFace模型加载和初始化，其中model_file为导出的ONNX模型格式。
|
||
|
||
**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时，此参数传入空字符串即可
|
||
> * **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ONNX格式
|
||
|
||
#### Predict函数
|
||
|
||
> ```c++
|
||
> RetinaFace::Predict(cv::Mat* im, FaceDetectionResult* result,
|
||
> float conf_threshold = 0.25,
|
||
> float nms_iou_threshold = 0.5)
|
||
> ```
|
||
>
|
||
> 模型预测接口，输入图像直接输出检测结果。
|
||
>
|
||
> **参数**
|
||
>
|
||
> > * **im**: 输入图像，注意需为HWC，BGR格式
|
||
> > * **result**: 检测结果，包括检测框，各个框的置信度, FaceDetectionResult说明参考[视觉模型预测结果](../../../../../docs/api/vision_results/)
|
||
> > * **conf_threshold**: 检测框置信度过滤阈值
|
||
> > * **nms_iou_threshold**: NMS处理过程中iou阈值
|
||
|
||
### 类成员变量
|
||
#### 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
|
||
|
||
> > * **size**(vector<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[640, 640]
|
||
> > * **variance**(vector<float>): 通过此参数可以修改图片在resize时候做填充(padding)的值, 包含三个浮点型元素, 分别表示三个通道的值, 默认值为[0, 0, 0]
|
||
> > * **min_sizes**(vector<vector<int>>): retinaface中的anchor的宽高设置，默认是 {{16, 32}, {64, 128}, {256, 512}}，分别和步长8、16和32对应
|
||
> > * **downsample_strides**(vector<int>): 通过此参数可以修改生成anchor的特征图的下采样倍数, 包含三个整型元素, 分别表示默认的生成anchor的下采样倍数, 默认值为[8, 16, 32]
|
||
> > * **landmarks_per_face**(int): 指定当前模型检测的人脸所带的关键点个数，默认为5.
|
||
|
||
- [模型介绍](../../)
|
||
- [Python部署](../python)
|
||
- [视觉模型预测结果](../../../../../docs/api/vision_results/)
|
||
- [如何切换模型推理后端引擎](../../../../../docs/cn/faq/how_to_change_backend.md)
|