简介

这是基于PaddlePaddle框架复现的训练代码， 同时提供了 PaddleSlim 模型量化方案、 Paddle-Inference 服务端GPU部署方案、 PaddleLite 边缘端部署方案。

Raw face image:

• 图.《爱情公寓》场景人物面部识别

---

Contents

• Data Zoo
• Model Zoo
• Inference

---

Data-Zoo

🐯

数据集	Version	#Identity	#Image	#Frame	#Video	下载地址
LFW	Raw	5,749	13,233	-	-	Google Drive, Baidu Drive
Vgg-Face2-clean	Align_112x112	1,333	440,028	-	-	AI Studio, -
CASIA-WebFace	Align_112x112	10,575	455,594	-	-	AI Studio, -

Model-Zoo

• Model

  Backbone	Head	Loss
  ResNet-50	ArcFace	Focal

  benchmark	LFW	Vgg-Face2-clean	CASIA-WebFace	CFP_FF	CFP_FP	AgeDB	CALFW	CPLFW	Vggface2_FP
  Top1准确率（%）	99.219(95.950)	99.219(98.243)	99.219(99.365)	-	-	-	-
  Top5准确率（%）	99.219(97.542)	99.609(99.445)	100.000(99.726)	-	-	-	-

• Training & validation statistics

  

---

环境依赖

paddlepaddle==2.1.0,paddleslim==2.1.0等

代码结构以及详细说明

• .
• ├── align #人脸对齐与处理
• │ ├── align_trans.py
• │ ├── box_utils.py
• │ ├── detector.py
• │ ├── face_align.py
• │ ├── face_resize.py
• │ ├── get_nets.py
• │ └── init.py
• ├── backbone
• │ ├── init.py
• │ ├── model_irse.py
• │ ├── model_resnet.py
• │ └── resnet_pp.py
• ├── config.py #训练配置文件
• ├── data # 数据集
• ├── dataload.py # 数据读取与处理
• ├── head
• │ ├── init.py
• │ └── metrics.py
• ├── init.py
• ├── loss
• │ ├── focal.py
• │ └── init.py
• ├── mult_gpu_training.py
• ├── PaddleInference-demo # PaddleInference推理部署方案
• │ ├── FaceDatabase
• │ ├── main.py
• │ ├── model
• │ └── utils.py
• ├── Paddle-Lite-Inference-demo # Paddle-Lite推理部署方案
• │ ├── FaceDatabase
• │ ├── main.py
• │ ├── model
• │ ├── MTCNN.py
• │ ├── README.md
• │ └── utils.py
• ├── pretrained #预训练模型存放路径
• ├── quant #模型量化训练
• │ ├── quant_post_dynamic.py
• │ ├── quant_post_static.py
• │ └── README.md
• ├── start_mult_gpu_train.py#多GPU训练
• ├── train.py#单GPU训练
• └── utils.py

快速开始

• 在paddle/data 配置好数据集(见config.py)
• 运行train.py文件即可开始训练

Inference&推理部署

以下是我在不同设备不同模型上的推理情况

Model	Device	Inference Engine	TRT加速	(quant_aware_int8)量化	模型体积(MB)	时延(ms)
Backbone(ResNet50)	GPU TESLA v100	Paddle-Inference	Y	-	153	2.71
Backbone(ResNet50)	GPU GTX 1650Ti	Paddle-Inference	-	-	153	5.42
Backbone(ResNet50)	GPU MaxWell(jetson nano)	Paddle-Inference	-	-	153	48.42
Backbone(ResNet50)	CPU Raspberry Pi 4B	Paddle-Lite	-	-	153	243.22
Backbone(ResNet50)	CPU Raspberry Pi 4B	Paddle-Lite	-	Y	39	167.81
MTCNN	GPU TESLA v100	Paddle-Inference	-	-	-	14.13
MTCNN	GPU GTX 1650Ti	Paddle-Inference	-	-	-	15.56
MTCNN	GPU MaxWell(jetson nano)	Paddle-Inference	-	-	-	138.41
MTCNN	CPU Raspberry Pi 4B	Paddle-Lite	-	-	-	210.49

###Paddle-Inference 部署

Paddle Inference为飞桨核心框架推理引擎。Paddle Inference功能特性丰富，性能优异，针对服务器端应用场景进行了深度的适配优化，做到高吞吐、低时延，保证了飞桨模型在服务器端即训即用，快速部署。

此项目通过Paddle Inference进行部署应用，在此Repo中提供了Python的使用样例

如果你对Paddle Inference有所疑惑，可以访问下面这个链接

Paddle-Inference-API 文档

• PaddleInference-demo
• ├── FaceDatabase
• ├── main.py
• ├── model
• └── utils.py

Paddle-Lite 部署

Paddle Lite是一个高性能、轻量级、灵活性强且易于扩展的深度学习推理框架，定位支持包括移动端、嵌入式以及服务器端在内的多硬件平台。

当前Paddle Lite不仅在百度内部业务中得到全面应用，也成功支持了众多外部用户和企业的生产任务

此项目通过Paddle Lite进行部署应用，我在此Repo中提供了Python的使用样例

如果你对此处有所疑惑，可以访问Paddle-Lite , Paddle-Lite's documentation

• Paddle-Lite-Inference-demo
• ├── FaceDatabase
• ├── main.py
• ├── model
• ├── MTCNN.py
• ├── README.md
• └── utils.py

模型量化

PaddleSlim 是一个专注于深度学习模型压缩的工具库，提供剪裁、量化、蒸馏、和模型结构搜索等模型压缩策略，帮助用户快速实现模型的小型化。

在此Repo中我提供了PaddleSlim针对本模型进行量化的方法供大家参考

• quant
• ├── quant_post_dynamic.py #动态离线量化
• ├── quant_post_static.py #静态离线量化
• └── README.py
• 量化训练是最佳的量化方式，训练前可以在config.py中开启量化训练