选中内容(绿色)时除了会搜索文章名,还会搜索文章内容
点击结果中的文章名进入文章界面后可以按Ctrl+F在页面内搜索
  • 版权:CC BY-SA 4.0
  • 创建:2024-05-16
  • 更新:2024-06-21


分别使用两个模型:

将它们分别移植到 MaixPy(MaixCAM),使用 NPU 进行加速,代码已经开源,请到MaixPy查看。

测试图:
test4
sample

640x640

均使用 640x640, 图片会先等比例缩放周围填黑色再识别,retinaface 用 mobilenet0.25主干, facedetector_1MB_landmark 用 RFB 模型:

  • retinaface, CPU预处理+npu处理+CPU后处理 73ms, 阈值设置比较高(0.4), 效果:
    retinaface_result_0.4
    retinaface_result_0.4_3.jpg

  • facedetector 1MB landmark, CPU预处理+npu处理+CPU后处理 65ms, 阈值设置比较高(0.4), 效果:
    facedetector_1MB_landmark_0.4
    facedetector_1MB_landmark_0.4

  • yolov5n-face: 100ms 左右
    sample_result_640
    test4_1_result_640

320x320

均使用 320x320, 图片会先等比例缩放周围填黑色再识别, retinaface 用 mobilenet0.25主干, facedetector_1MB_landmark 用 RFB 模型:
缩放后传进npu的图像:
test4

  • retinaface, CPU预处理+npu处理+CPU后处理 17~21ms, 阈值设置比较高(0.4), 效果:
    retinaface_result_0.4_4
    retinaface_result_0.4_2

  • facedetector 1MB landmark, CPU预处理+npu处理+CPU后处理 18ms, 阈值设置比较高(0.4), 效果:
    facedetector_1MB_landmark_0.4_3
    facedetector_1MB_landmark_0.4.jpg.jpg

  • yolov8n-face 30ms左右:
    test4_1_result_320
    sample_result_320

对比

retinaface 和 facedetector_1MB_landmark 看起来后者运行速度会快一点,识别到的人也多一些,但是两者均出现了误识别的问题,会错误地识别到一些非人脸的物体(本文没有贴出,实际摄像头测试发现的),实际应用时需要考虑到并想办法过滤。

YOLOv8n-face 精度会高一些,但是速度也会慢一些,根据实际使用场景选择合适的即可。

文章有误?有想法想讨论?查看或者发起勘误/讨论 主题
(发起评论需要先登录 github)

/wallpaper/wallhaven-pk9kve.jpg