Retinaface

🚀 Retinaface

Retinaface是一個基於深度學習的人臉檢測模型，它能夠精準定位人臉的邊界框和麵部關鍵點。該模型基於PyTorch實現，具有高效、準確的特點，可廣泛應用於人臉識別、表情分析等領域。

🚀 快速開始

Retinaface模型的使用示例如下：

import os
import torch
import json
from PIL import Image
from huggingface_hub import hf_hub_download
from feat.face_detectors.Retinaface.Retinaface_model import RetinaFace, postprocess_retinaface
from feat.utils.io import get_resource_path, get_test_data_path
from feat.utils.image_operations import convert_image_to_tensor, convert_color_vector_to_tensor

device = 'cpu'

# Download Model Weights and Config File
face_config_file = hf_hub_download(
    repo_id="py-feat/retinaface",
    filename="config.json",
    cache_dir=get_resource_path(),
)
with open(face_config_file, "r") as f:
    face_config = json.load(f)
    
face_model_file = hf_hub_download(repo_id='py-feat/retinaface', 
                                      filename="mobilenet0.25_Final.pth",
                                      cache_dir=get_resource_path())
face_checkpoint = torch.load(face_model_file, map_location=device, weights_only=True)
face_detector = RetinaFace(cfg=face_config, phase="test")                
face_detector.load_state_dict(face_checkpoint)
face_detector.eval()
face_detector.to(device)

# Run Inference
frame = Image.open(os.path.join(get_test_data_path(), "multi_face.jpg"))
single_frame = torch.sub(frame, convert_color_vector_to_tensor(np.array([123, 117, 104])))
predicted_locations, predicted_scores, predicted_landmarks = face_detector.forward(single_frame.to(device))
face_output = postprocess_retinaface(predicted_locations, predicted_scores, predicted_landmarks, face_config, single_frame, device=device)

✨ 主要特性

• 基於PyTorch實現，易於使用和擴展。
• 採用mobilenet0.25作為骨幹網絡，參數少，計算效率高；也可使用resnet50作為骨幹網絡，以獲得更好的檢測效果。
• 能夠返回檢測到的每個人臉的邊界框位置、人臉檢測的置信度分數以及10個面部關鍵點。

📚 詳細文檔

模型描述

這是基於biubug6的實現的[RetinaFace: Single-stage Dense Face Localisation in the Wild](RetinaFace: Single-stage Dense Face Localisation in the Wild)的PyTorch實現。Retinaface模型採用了具有多層結構的深度卷積神經網絡架構。它使用mobilenet0.25作為骨幹網絡（僅170萬個參數），但也可以使用resnet50作為骨幹網絡以獲得更好的結果，但會增加計算開銷。 該模型返回每個檢測到的人臉的邊界框位置、人臉檢測的置信度分數以及10個面部關鍵點。

模型詳情

模型來源

• 倉庫：Py-Feat
• 論文：RetinaFace: Single-stage Dense Face Localisation in the Wild

評估結果

該模型在WIDER FACE數據集上進行了評估，具體的基準測試結果可參考biubug6的倉庫。

引用

如果您在研究或應用中使用了Retinaface模型，請引用以下論文：

@misc{deng2019retinafacesinglestagedenseface,
      title={RetinaFace: Single-stage Dense Face Localisation in the Wild}, 
      author={Jiankang Deng and Jia Guo and Yuxiang Zhou and Jinke Yu and Irene Kotsia and Stefanos Zafeiriou},
      year={2019},
      eprint={1905.00641},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/1905.00641}
}

致謝

感謝貢獻者和開源社區在模型開發過程中的寶貴支持。特別感謝原Retinaface論文的作者、WIDER FACE數據集以及biubug6分享的權重和代碼。

許可證

• 許可證：MIT
• 許可證鏈接：MIT License