English | 简体中文
在部署前，需确认以下两个步骤
-
- 软硬件环境满足要求，参考FastDeploy环境要求
-
- FastDeploy Python whl包安装，参考FastDeploy Python安装
本目录下提供infer.py快速完成RetinaFace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
#下载部署示例代码
git clone https://github.com/PaddlePaddle/FastDeploy.git
cd examples/vision//retinaface/python/
#下载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
python infer.py --model Pytorch_RetinaFace_mobile0.25-640-640.onnx --image test_lite_face_detector_3.jpg --device cpu
# GPU推理
python infer.py --model Pytorch_RetinaFace_mobile0.25-640-640.onnx --image test_lite_face_detector_3.jpg --device gpu
# GPU上使用TensorRT推理
python infer.py --model Pytorch_RetinaFace_mobile0.25-640-640.onnx --image test_lite_face_detector_3.jpg --device gpu --use_trt True运行完成可视化结果如下图所示
fastdeploy.vision.facedet.RetinaFace(model_file, params_file=None, runtime_option=None, 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ONNX
RetinaFace.predict(image_data, conf_threshold=0.25, nms_iou_threshold=0.5)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
- conf_threshold(float): 检测框置信度过滤阈值
- nms_iou_threshold(float): NMS处理过程中iou阈值
返回
返回
fastdeploy.vision.FaceDetectionResult结构体，结构体说明参考文档视觉模型预测结果
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(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[640, 640]
- variance(list[float]): 通过此参数可以指定retinaface中的方差variance值，默认是[0.1,0.2], 一般不用修改.
- min_sizes(list[list[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(list[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.