首先需要把相应的训练好的retinaface模型以及mobilefaceNet模型拷贝到weights/下 保证NTP正常需要，使用USB ADB方式 (rknn) python -m rknn.bin.list_devices
python RetinafaceConvertTest.py
注意修改模型路径，以及输入输出层 代码中使用的是 ret = rknn.load_onnx(model='./weights/retinaface.onnx', inputs='input0', input_size_list=[[3,640,640]], outputs=['output0','590','589']) 输入输出层可以使用netron查看，基本output0 590 589要分别对应loc, conf, landms。错了运行会报错
把不量化直接运行的结果判断一下，简单先判断是否人脸检测正常。 BUILD_QUANT = False NEED_BUILD_MODEL = True 量化结果会打印每层的量化精度，再判断是否人脸检测正常 BUILD_QUANT = True NEED_BUILD_MODEL = True
修改
cfg = cfg_facenet_mxnet
选择对应的模型配置
把不量化直接运行的结果判断一下，结果与pytorch工程里的输出对比 BUILD_QUANT = False NEED_BUILD_MODEL = True 量化结果会打印每层的量化精度，结果与pytorch工程里的输出对比 BUILD_QUANT = True NEED_BUILD_MODEL = True
测试： 先编码
python encoding.py
图片预测：
python predict.py
rtsp预测：
python rtspPredict.py