/person-detector

Primary LanguageC++

视频展示检测效果

由于训练的Epoch较少，检测效果并不是很理想。大家可以自己去调参来提升检测效果。
https://www.bilibili.com/video/BV1hZ4y1H7f9/

person-detector

环境搭建

  1. 首先安装pytorch环境。pytorch版本1.2及以上版本。
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch //安装最新pytorch1.5
  1. 安装编译MNN。
    2.1. MNN安装过程请参考我的博客
    2.2. 安装包安装完成之后会在MNN/build文件夹里面生成一个libMNN.so文件，需要将这个文件复制到person-detector/MNN/mnn/lib进行替换。
  2. 其他安装包安装。
conda install 安装包
or
pip install 安装包

测试过程

python测试教程

  1. 直接运行detect_imgs.py就可以检测imgs文件夹里面的图片。
python detect_imgs.py

MNN中测试过程

首先需要对person-detector/MNN进行编译

  1. 将person-detector/MNN/build删除。
  2. 然后建立build文件，重新进行编译。
cd person-detector/MNN
mkdir build
cd build
cmake ..
make -j8

运行MNN中python版本

1. cd person-detector/MNN/python
2. python person-detector-pic.py --imgs_path ../imgs         # 检测图片，可以在person-detector-pic.py里面修改图片测试路径。
3. python person-detector-video.py  # 检测视频，可以在person-detector-video.py里面修改视频测试路径。

运行MNN中C++版本

cd build
./Ultra-face-mnn ../model/version-RFB/617-1.mnn ../imgs/timg.jpg
# 量化之后的版本
cd build
./Ultra-face-mnn ../model/version-RFB/617-1-sq.mnn ../imgs/timg.jpg

训练过程

数据集准备

  1. 训练数据集采用的是VOC格式的数据集。训练数据集路径可以在train-version-RFB.sh里面修改。
  2. 使用脚本可以将coco数据集转成VOC格式且只有行人检测框的数据集。
    COCO数据集转VOC数据集只包含行人的转换教程

运行训练

bash train-version-RFB.sh

模型转换

  1. pth模型转onnx模型，在转模型之间需要将person-detector/version/ssd/ssd.py进行修改,修改成下面的样子。
        if self.is_test:
            confidences = F.softmax(confidences, dim=2)
            boxes = locations
            #boxes = box_utils.convert_locations_to_boxes(
            #    locations, self.priors, self.config.center_variance, self.config.size_variance
            #)
            #boxes = box_utils.center_form_to_corner_form(boxes)
            return confidences, boxes

然后再运行转换文件。

python convert_to_onnx.py
  1. 将onnx模型转成mnn模型
    2.1 进到主目录下的MNN/build文件里面（不是person-detector/MNN文件）
    2.2 运行MNNConvert来转换模型
./MNNConvert -f ONNX --modelFile XXX.onnx --MNNModel XXX.mnn --bizCode biz
  1. 模型的INT8量化 3.1 编译MNN的量化工具。
cd MNN/build
cmake .. -DMNN_BUILD_QUANTOOLS=on
make -j8

3.2 构建一个pretreatConfig.json文件，代码如下：

{
    "format":"RGB",
    "mean":[
        127.5,
        127.5,
        127.5
    ],
    "normal":[
        0.00784314,
        0.00784314,
        0.00784314
    ],
    "width":224,
    "height":224,
    "path":"path/to/images/",
    "used_image_num":500,
    "feature_quantize_method":"KL",
    "weight_quantize_method":"MAX_ABS"
}

3.3 在MNN/build里面运行量化程序。

./quantized.out XXX.mnn XXX-INT8.mnn pretreatConfig.json

最后感谢下面的作者

https://www.yuque.com/mnn/cn/tool_quantize
https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
https://github.com/ruinmessi/RFBNet