借鉴AlexeyAB大神的 darknet 做适量修改，用于人脸检测以及关键点检测,支持ncnn推理
- 添加关键点检测分支，使用wing loss
- 添加 hswish,hsigmode 激活函数
- git clone https://github.com/ouyanghuiyu/darknet_face_with_landmark.git
- 使用scripts/retinaface2yololandmark.py脚本将retinaface的标记文件转为yolo的格式使用
- 其他编译训练都和原版darknet相同
- 测试
./darknet detector test ./data/face.data ./cfg/mbv2_yolov3_face.cfg ./models/mbv2_yolov3_face_final.weights ./test_imgs/input/selfie.jpg -dont_show
或者使用yolo_landmark.py进行测试，更换里面的模型配置文件即可
- 在wider face val精度（单尺度输入分辨率：320*240）
| 方法 | Easy | Medium | Hard |
|---|---|---|---|
| libfacedetection v1（caffe） | 0.65 | 0.5 | 0.233 |
| libfacedetection v2（caffe） | 0.714 | 0.585 | 0.306 |
| Retinaface-Mobilenet-0.25(Mxnet) | 0.745 | 0.553 | 0.232 |
| mbv2_yolov3_face(our) | 0.84 | 0.79 | 0.41 |
- 在wider face val精度（单尺度输入分辨率：640*480）
| 方法 | Easy | Medium | Hard |
|---|---|---|---|
| libfacedetection v1（caffe） | 0.741 | 0.683 | 0.421 |
| libfacedetection v2（caffe） | 0.773 | 0.718 | 0.485 |
| Retinaface-Mobilenet-0.25(Mxnet) | 0.879 | 0.807 | 0.481 |
| mbv2_yolov3_face(our) | 0.866 | 0.848 | 0.718 |
ps: 测试的时候,长边为320 或者 640 ,图像等比例缩放,yolo未作缩放.
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent