视网膜面火炬版 由于机密性，它不是我模型的最佳版本 感谢Alvin Yang（ ） 这是68个地标检测的分支，预先训练的模型位于./out中 进行96个地标检测（请参阅其他分支） 该模型还预测了地标的被遮挡部分，如果不希望它们出现，可以将其隐藏。 基于RetinaFace 当前模型 mobileNet V1 + FPN +上下文模块+回归器1.6MB CPU〜10FPS GPU 50FPU 火车：（请参考dataloader.py更改文件位置） python3 train.py -train该模型使用LS3D-W数据集，或将您的数据集更改为demo.pt/ demo.jpg（68 * 2张量）的格式 使用本地摄像头： python3 video_detect.py（需要删除所有'cuda（）'，并在CPU本地运行） 评估模型： python3 train.py -train错

RetinaFace C ++重新实现源参考资源RetinaFace带有python代码。 模型转换工具MXNet2Caffe您需要自己添加一些层，并且在caffe中没有upsam RetinaFace C ++重新实现源参考资源RetinaFace用python代码提供在Insightface中。 模型转换工具MXNet2Caffe您需要自己添加一些图层，并且在caffe中没有上采样，您可以用反卷积代替，并且可能会有一点精度损失。 来自mobilenet25的原始模型参考，我已经对其进行了重新培训。 演示$ mkdir build $ cd build / $ cmake ../ $使您需要修改CmakeList文件中的依赖路径。 测速硬件：1080Ti test1：mod

PyTorch中带有MobileNet后端的RetinaFace推理代码 步骤1： cd cython python setup.py build_ext --inplace 第2步： python inference.py 评估（宽屏）： Easy Val AP：0.8872715908531869 中值AP：0.8663337842229522 硬值AP：0.771796729363941 试验结果： 参考： @inproceedings {deng2019retinaface，标题= {RetinaFace：野外单阶段密集脸定位}，作者= {Deng，Jiankang和Guo，Jia和Yuxiang，Zhou和Jinke Yu和Irene Kotsia和Zafeiriou，Stefanos}，书名= { arxiv}，年份= {2019}}

matlab中DW检验的代码PyTorch 中的 RetinaFace 的实现。 模型大小只有1.7M，当Retinaface使用mobilenet0.25作为骨干网时。 我们还提供 resnet50 作为骨干网以获得更好的结果。 Mxnet中的官方代码可以找到。 移动或边缘设备部署 我们还为从 python 训练到 C++ 推理的边缘设备提供了一套人脸检测器。 WiderFace Val 单秤性能 当测试秤是原始秤时 风格 简单的 中等的 难的 预训练 批量大小 火车大小 ResNet50 95.48% 94.04% 84.43% 真的 24 840 Mobilenet0.25（原图比例） 90.70% 88.16% 73.82% 真的 32 640 Mobilenet0.25(替换了fpn为dw) 90.5% 87.5% 72.1% 真的 32 640 Mobilenet0.25(替换了fpn为dw,替换ssh为dw) 89.7% 86.7% 69.9% 真的 32 640 Mobilenet0.25(替换了fpn为dw,替换ssh为dw,outchannel=32) 89.6%

MXNet 深度学习，人脸识别预训练模型：(1) arcface_r100_v1 ：model-0000.params ,model-symbol.json (2) retinaface-R50: R50-0000.params, R50-symbol.json

主干网络为mobilenet 包含onnx模型和转换后的rknn模型

retinaface-R50.zip

retinaface 人脸检测 对比 年龄 口罩 应用.zip

PyTorch中的RetinaFace 实现：。 当Retinaface使用mobilenet0.25作为骨干网时，模型大小仅为1.7M。 我们还提供resnet50作为骨干网以获得更好的结果。 Mxnet中的官方代码可以在找到。 移动或边缘设备部署 从python培训到C ++推理，我们还在为边缘设备提供了一套面部检测器。 使用Resnet50作为骨干网时，单规模的WiderFaceVal性能。 风格 简单的 中等的 难的 Pytorch（与Mxnet相同的参数） 94.82％ 93.84％ 89.60％ pytorch（原始图像比例） 95.48％ 94.04％ 84.43％ 网际网路 94.86％ 93.87％ 88.33％ Mxnet（原始图像比例） 94.97％ 93.89％ 82.27％ 使用Mobilenet0.25作为骨干网时，单规模的Wi

视网膜面CPP 包含使用MNN，NCNN部署的代码包含编译好的linux x86_64（ubuntu20.04）平台下的ncnn，MNN，opencv库，可以直接编译测试，需要修改makefile中的路径包含一个模型可以检测动漫卡通人物的人脸 编译和测试在ubuntu 20.04上进行编译和测试 make Retinaface_NCNN ./Retinaface_NCNN test_carton.list make Retinaface_MNN ./Retinaface_MNN test_carton.list 增加NDK创建脚本和andrid armv7a库 可以构建android下的c ++嵌入程序，ncnn，MNN，opencv库采用ndk-19r编译，api-leval为21 参考