编译ArcFace示例

0. 简介

当前支持模型版本为：ArcFace CommitID:babb9a5

1. 下载和解压预测库

wget https://bj.bcebos.com/paddle2onnx/fastdeploy/fastdeploy-linux-x64-0.3.0.tgz
tar xvf fastdeploy-linux-x64-0.3.0.tgz

1. 编译示例代码

mkdir build & cd build
cmake ..
make -j

3. 特别说明

fastdeploy支持 insightface 的人脸识别模块recognition中大部分模型的部署，包括ArcFace、CosFace、Partial FC、VPL等，由于用法类似，这里仅用ArcFace来演示部署流程。所有支持的模型结构，可参考 ArcFace API文档.

4. 获取ONNX文件

访问ArcFace官方github库，按照指引下载安装，下载pt模型文件，利用 torch2onnx.py 得到onnx格式文件。

下载ArcFace模型文件

Link: https://pan.baidu.com/share/init?surl=CL-l4zWqsI1oDuEEYVhj-g code: e8pw

导出onnx格式文件

PYTHONPATH=. python ./torch2onnx.py partial_fc/pytorch/ms1mv3_arcface_r100_fp16/backbone.pth --output ms1mv3_arcface_r100.onnx --network r100 --simplify 1

移动onnx文件到model_zoo/arcface的目录

cp PATH/TO/ms1mv3_arcface_r100.onnx PATH/TO/model_zoo/vision/arcface/

5. 准备测试图片

准备3张仅包含人脸的测试图片，命名为face_recognition_*.jpg，并拷贝到可执行文件所在的目录，比如

face_recognition_0.png  # 0,1 同一个人
face_recognition_1.png
face_recognition_2.png  # 0,2 不同的人

6. 执行

./arcface_demo

执行完成后会输出检测结果如下

FaceRecognitionResult: [Dim(512), Min(-0.141219), Max(0.121645), Mean(-0.003172)]
FaceRecognitionResult: [Dim(512), Min(-0.117939), Max(0.141897), Mean(0.000407)]
FaceRecognitionResult: [Dim(512), Min(-0.124471), Max(0.112567), Mean(-0.001320)]
Cosine 01:  0.7211584683376316
Cosine 02:  -0.06262668682788906

2.1 KiB Raw Blame History Unescape Escape