git clone https://github.com/jiangxiluning/facenet_mtcnn_to_mobile.git
cd facenet_mtcnn_to_mobile
pipenv install --dev  # 布道 pipenv , 通过使用 pipenv 安装所有依赖包，使用其他版本的包，有可能出现各种转换问题。
pipenv shell # 孵化出运行项目的 shell 环境，以下命令需要在该环境中运行

cd facenet

将预训练模型 20180402-114759 下载并解压至 model_pc，如下图所示：

将作者提供的 training graph 转为 eval graph，因为不转换为 eval 会附带很多 training 的 op， 并且有很多 op TFLite 和 Core ML 等移动框架并不支持。（最主要的问题是 TFLite 目前不支持 Bool 型标量，比如：phase_train）

python eval_graph.py model_pc model_pc_eval

如下所示：

使用转换后的 eval graph，将参数和结构固化，这里我们用 facenet 自带的 freeze_graph.py 脚本，不过由于我们之前导出的是 eval graph 所以 phase_train 这个参数输入被我们删除了，导致输出的 facenet.pb 只有一个输入节点 input shape=(1, 64, 64, 3) 和一个输出 output shape=(1,512)

python freeze_graph.py model_pc_eval facenet.pb

将生成的 facenet.pb 转化为 tflite 格式：

tflite_convert --output_file model_mobile_eval/facenet.tflite --graph_def_file facenet.pb  --input_arrays "input" --input_shapes "1,160,160,3" --output_arrays output --output_format TFLITE

祝贺你，你会在文件夹 model_mobile_eval 中找到 facenet.tflite 文件。此时如果你不再需要你的虚拟环境，你可以运行:

pipenv --rm

如果你想转换为 CoreML ，运行 python tocoreml.py

cd mtcnn

将 model 下载到 MTCNN_model。如下如所示：

生成 PNet, ONet 和 RNet 三个网络的 eval graph， 并指定 PNet 图的输入大小, 默认宽高为 800 * 600.

python freeze_graph.py --width 800 --height 600

生成 TFLite 模型

./to_tflite.sh

祝贺你，在 MTCNN_mobile 下会生成相应的 TFLite 模型。

如果你想转换为 CoreML ，运行 python tocoreml.py