简体中文 | English

• 1. 简介
• 2. 特性
• 3. 准备模型与数据
• 4. 模型编译
• 5. 例程测试
• 6. 精度测试
  • 6.1 测试方法
  • 6.2 测试结果
• 7. 性能测试
  • 7.1 bmrt_test
  • 7.2 程序运行性能
• 8. FAQ

SCRFD(Sample and Computation Redistribution for Efficient Face Detection)是一种基于FCOS 的人脸检测算法，该算法在2021年5月推出。它被设计为一个高效和高精度的人脸检测器，其速度和准确性相较于其他现有算法都有显著提高。

论文地址 (https://arxiv.org/pdf/2105.04714.pdf)

源码地址 (https://github.com/deepinsight/insightface/tree/master/detection/scrfd)

• 支持BM1688/CV186X(SoC)、BM1684X(x86 PCIe、SoC)、BM1684(x86 PCIe、SoC)
• 支持FP32、FP16(BM1684X/BM1688/CV186X)、INT8模型编译和推理
• 支持基于BMCV预处理的C++推理
• 支持基于OpenCV和BMCV预处理的Python推理
• 支持单batch模型推理
• 支持图片和视频测试

建议使用TPU-MLIR编译BModel，Pytorch模型在编译前要导出成onnx模型，如果您使用的tpu-mlir版本>=v1.3.0（即官网v23.07.01），可以直接使用torchscript模型。具体可参考SCRFD模型导出方法。

​同时，您需要准备用于测试的数据集，如果量化模型，还要准备用于量化的数据集。 本例程提供了一种性能和精度上较高的模型， scrfd_10g_kps.onnx 。您都可以使用MLIR工具链转出为对应的bmodel模型。

如果您想使用其他模型，您可以访问 源码地址 进行下载，并参考 SCRFD模型导出方法 进行导出。

同时，您需要准备用于测试的数据集，如果量化模型，还要准备用于量化的数据集。

本例程在scripts目录下提供了相关模型和数据集的下载脚本download.sh，您也可以自己准备模型和数据集，并参考4. 模型编译进行模型转换。

# 安装unzip，若已安装请跳过，非ubuntu系统视情况使用yum或其他方式安装
sudo apt install unzip
chmod -R +x scripts/
./scripts/download.sh

下载的模型包括

./models
.
├── BM1684                                   # 使用TPU-MLIR编译，用于BM1684的 BModel
│   ├── scrfd_10g_kps_fp32_1b.bmodel
│   ├── scrfd_10g_kps_int8_1b.bmodel
│   ├── scrfd_10g_kps_int8_4b.bmodel
├── BM1684X                                  # 使用TPU-MLIR编译，用于BM1684X的 BModel
│   ├── scrfd_10g_kps_fp16_1b.bmodel
│   ├── scrfd_10g_kps_fp32_1b.bmodel
│   ├── scrfd_10g_kps_int8_1b.bmodel
│   ├── scrfd_10g_kps_int8_4b.bmodel
├── BM1688                                   # 使用TPU-MLIR编译，用于BM1688的 BModel
│   ├── scrfd_10g_kps_fp16_1b_2core.bmodel
│   ├── scrfd_10g_kps_fp16_1b.bmodel
│   ├── scrfd_10g_kps_fp32_1b_2core.bmodel
│   ├── scrfd_10g_kps_fp32_1b.bmodel
│   ├── scrfd_10g_kps_int8_1b_2core.bmodel
│   ├── scrfd_10g_kps_int8_1b.bmodel
│   ├── scrfd_10g_kps_int8_4b_2core.bmodel
│   ├── scrfd_10g_kps_int8_4b.bmodel
├── CV186X                                   # 使用TPU-MLIR编译，用于CV186X的 BModel
│   ├── scrfd_10g_kps_fp16_1b.bmodel
│   ├── scrfd_10g_kps_fp32_1b.bmodel
│   ├── scrfd_10g_kps_int8_1b.bmodel
│   ├── scrfd_10g_kps_int8_4b.bmodel
└── onnx                                     # 导出的onnx模型
    ├── scrfd_10g_kps_1b.onnx
    ├── scrfd_10g_kps_4b.onnx

下载的数据包括：

./datasets
├── face_det.mp4                     # 测试视频
├── test                             # 测试图片
│   ├── men.jpg
│   └── selfie.jpg
└── WIDER_val                        # 精度评估数据集
    └── images

模型编译前需要安装TPU-MLIR，具体可参考TPU-MLIR环境搭建。安装好后需在TPU-MLIR环境中进入例程目录。使用TPU-MLIR将onnx模型编译为BModel，具体方法可参考《TPU-MLIR快速入门手册》的“3. 编译ONNX模型”(请从算能官网相应版本的SDK中获取)。

• 生成FP32 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP32 BModel的脚本，请注意修改gen_fp32bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X/BM1688/CV186X），如：

./scripts/gen_fp32bmodel_mlir.sh bm1684 #bm1684x/bm1688/cv186x

​执行上述命令会在models/BM1684等文件夹下生成scrfd_10g_kps_fp32_1b.bmodel文件，即转换好的FP32 BModel。

• 生成FP16 BModel

​本例程在scripts目录下提供了TPU-MLIR编译FP16 BModel的脚本，请注意修改gen_fp16bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，并在执行时指定BModel运行的目标平台（支持BM1684X/BM1688/CV186X），如：

./scripts/gen_fp16bmodel_mlir.sh bm1684x #bm1688/cv186x

​执行上述命令会在models/BM1684X/等文件夹下生成scrfd_10g_kps_fp16_1b.bmodel文件，即转换好的FP16 BModel。

• 生成INT8 BModel

​本例程在scripts目录下提供了量化INT8 BModel的脚本，请注意修改gen_int8bmodel_mlir.sh中的onnx模型路径、生成模型目录和输入大小shapes等参数，在执行时输入BModel的目标平台（支持BM1684X/BM1688/CV186X），如：

./scripts/gen_int8bmodel_mlir.sh bm1684 #bm1684x/bm1688/cv186x

​上述脚本会在models/BM1684等文件夹下生成scrfd_10g_kps_int8_1b.bmodel等文件，即转换好的INT8 BModel。

• C++例程
• Python例程

首先，参考C++例程或Python例程推理要测试的数据集，生成预测的txt文件夹，注意修改数据集(datasets/WIDER_val)和相关参数(conf_thresh=0.02、nms_thresh=0.45以及--eval=True)。
然后，使用tools目录下的evaluation.py脚本，将测试生成的txt文件夹与测试集标签ground_truth文件夹进行对比，计算出人脸检测的评价指标，命令如下：

cd tools
pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
python3 setup.py build_ext --inplace
python3 evaluation.py --pred ./prediction_dir --gt ground_truth

具体测试方法，请参考精度测试

在WIDER FACE数据集上，官方SCRFD_10G_KPS模型的精度测试结果是：Easy: 0.9540, Medium: 0.9401, Hard: 0.8280，本例程的精度测试结果如下表所示：

使用bmrt_test测试模型的理论性能：

# 请根据实际情况修改要测试的bmodel路径和devid参数
bmrt_test --bmodel models/BM1684X/scrfd_10g_kps_fp32_1b.bmodel

测试结果中的calculate time就是模型推理的时间，多batch size模型应当除以相应的batch size才是每张图片的理论推理时间。 测试各个模型的理论推理时间，结果如下：

测试说明：

1. 性能测试结果具有一定的波动性；
2. calculate time已折算为平均每张图片的推理时间；
3. SoC和PCIe的测试结果基本一致。

参考C++例程或Python例程运行程序，并查看统计的解码时间、预处理时间、推理时间、后处理时间。

在不同的测试平台上，使用不同的例程、模型测试datasets/WIDER_val，conf_thresh=0.5，nms_thresh=0.5，性能测试结果如下：

测试说明：

1. 时间单位均为毫秒(ms)，统计的时间均为平均每张图片处理的时间；
2. 性能测试结果具有一定的波动性，建议多次测试取平均值；
3. SE5-16/SE7-32的主控处理器均为8核[email protected]，SE9-16为8核[email protected]，SE9-8为6核[email protected]，PCIe上的性能由于处理器的不同可能存在较大差异；
4. 图片分辨率对解码时间影响较大，推理结果对后处理时间影响较大，不同的测试图片可能存在较大差异，不同的阈值对后处理时间影响较大。

常见问题解答