本文主要是介绍【ncnn android】算法移植(八)——终于移植成功了DBface,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
1. 效果
先上效果,密集。
2.路线
- pytorch2onnx
- 解决bilinear2d上采样问题
- 编译ncnn
- 创建项目,导入libncnn,完善DBface的推理代码
- 解决nms有重框的问题
3. 具体事项
- 图像预处理:((image / 255 - mean) / std).astype(np.float32)
项目初始调试成功的时候,结果和DBface.pytorch推理的结果有很大差距。从以下几个方面进行了检验。
- 后面对导出的onnx模型进行了检验
- 对onnx2ncnn的导出进行了检查
- 检查ncnn项目的数据预处理
- 最后发现是数据预处理部分的问题。问题出在
in.substract_mean_normalize
,其中的源码是× norm_value
,所以需要对DBface的std_value取倒 - 其次是
image/255
这部分,最初是cv::Mat image/255
发现还是有问题,后面是先cv::Mat > ncnn::Mat,然后再 / 255.
- 最后发现是数据预处理部分的问题。问题出在
对应的ncnn项目代码:
// 1. DBface的std取倒数
const float mean_value[3] = {0.408f, 0.447f, 0.47f};
const float std_value[3] = {1/0.289f, 1/0.274f, 1/0.278f};// 2.先转到ncnn::Mat,再/255
in = ncnn::Mat::from_pixels(image.data, ncnn::Mat::PIXEL_BGR, image.cols, image.rows);int c, h, w;
c = in.c;
h = in.h;
w = in.w;
float *data = (float *)(in.data);
for (int i = 0; i < c; ++i) {for (int j = 0; j < h; ++j) {for (int k = 0; k < w; ++k) {data[i*h*w + j*w + k] /= 255;}}
}in.substract_mean_normalize(mean_value, std_value);
TO DO
- 移植到android
- 使android项目支持GPU
- 速度测试报告
这篇关于【ncnn android】算法移植(八)——终于移植成功了DBface的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!