人脸检测和人脸比对哪个技术高,人脸检测主要有两个部分,人脸检测定义,人脸检测的基本原理

目录

人脸检测和人体检测4：C++实现人脸检测和人体检测(含源码，可实时检测)

1. 前言

2. 人脸检测和人体检测检测模型（YOLOv5）

（1）人脸检测和人体检测模型训练

（2）将Pytorch模型转换ONNX模型

（3）将ONNX模型转换为TNN模型

3. 人脸检测和人体检测C++端上部署

（1）项目结构

（2）配置开发环境(OpenCV+OpenCL+base-utils+TNN)

（3）部署TNN模型

（4）CMake配置

（5）main源码

（6）源码编译和运行

4. 人脸检测和人体检测效果C++版本

5. 人脸检测和人体检测效果Android版本

6. 项目源码下载

这是项目《人脸检测和行人检测》系列之《C++实现人脸检测和行人检测(含源码，可实时检测)》；本篇主要分享将Python训练后的YOLOv5的行人检测(人体检测)模型转写成C/C++代码。我们将开发一个简易的、可实时运行的行人检测(人体检测)C/C++ Demo。人脸检测和行人检测C/C ++版本模型推理支持CPU和GPU加速，在GPU(OpenCL)加速下，可以达到实时的检测效果，基本满足业务的性能需求。

先展示一下人脸检测和行人检测的效果：

【尊重原创，转载请注明出处】https://blog.csdn.net/【【淘密令】】/article/details/128954638

更多项目《人脸检测和行人检测》系列文章请参考：

1. 人脸检测和行人检测1：人脸检测和人体检测数据集(含下载链接):https://blog.csdn.net/【【淘密令】】/article/details/128821763
2. 行人检测(人体检测)2：YOLOv5实现人体检测(含人体检测数据集和训练代码)：https://blog.csdn.net/【【淘密令】】/article/details/128954588
3. 行人检测(人体检测)3：Android实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/【【淘密令】】/article/details/128954615
4. 行人检测(人体检测)4：C++实现人体检测(含源码，可实时人体检测)：https://blog.csdn.net/【【淘密令】】/article/details/128954638
5. 人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)：https://blog.csdn.net/【【淘密令】】/article/details/130179987
6. 人脸检测和行人检测3：Android实现人脸检测和行人检测(含源码，可实时检测)：https://blog.csdn.net/【【淘密令】】/article/details/130180240
7. 人脸检测和行人检测4：C++实现人脸检测和行人检测(含源码，可实时检测)：https://blog.csdn.net/【【淘密令】】/article/details/130180269

如果需要进行人像分割，实现一键抠图效果，请参考文章：《一键抠图Portrait Matting人像抠图 (C++和Android源码)》

人脸检测和人体检测训练过程，请参考：?人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)：https://blog.csdn.net/【【淘密令】】/article/details/130179987

为了能部署在开发板或者手机平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolo【【微信】】和【【微信】】模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出yolov5s模型，轻量化模型yolo【【微信】】和【【微信】】的计算量和参数量以及其检测精度

模型	input-size	params(M)	GFLOPs	mAP_0.5	mAP_0.5:0.95
yolov5s	640×640	7.2	16.5	0.98432	0.73693
yolov5s05	416×416	1.7	1.8	0.97004	0.50567
yolov5s05	320×320	1.7	1.1	0.96448	0.44821

训练好yolov5s模型后，你需要先将Pytorch模型转换为ONNX模型，并使用onnx-simplifier简化网络结构，Python版本的已经提供了ONNX转换脚本，终端输入命令如下：

GitHub： https://github.com/da【【微信】】nx-simplifier Install:? pip3 install onnx-simplifier?

目前在C++端上，CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署

TNN转换工具：

• （1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master ・ Tencent/TNN ・ GitHub
• （2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine? ?(可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)

?

转换成功后，会生成两个文件(*.tnnproto和*.tnnmodel) ,下载下来后面会用到

项目IDE开发工具使用CLion，相关依赖库主要有OpenCV，base-utils以及TNN和OpenCL(可选)，其中OpenCV必须安装，OpenCL用于模型加速，base-utils以及TNN已经配置好，无需安装；

项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置好开发环境。

项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置和编译

• 安装OpenCV：图像处理

图像处理（如读取图片，图像裁剪等）都需要使用OpenCV库进行处理

安装教程：Ubuntu18.04安装opencv和【【微信】】吃大瓜的博客-CSDN博客_openc【【微信】】u

OpenCV库使用opencv-4.3.0版本，【【微信】】库暂时未使用，可不安装

• 安装OpenCL：模型加速

?安装教程：Ubuntu16.04 安装OpenCV&【【微信】】的博客-CSDN博客_clinfo源码下载

OpenCL用于模型GPU加速，若不使用OpenCL进行模型推理加速，纯C++推理模型，速度会特别特别慢

• base-utils：C++库

GitHub：https://github.com/PanJinquan/base-utils （无需安装，项目已经配置了）

base_utils是个人开发常用的C++库，集成了C/C++ OpenCV等常用的算法

• TNN：模型推理

GitHub：https://github.com/Tencent/TNN?（无需安装，项目已经配置了）

由腾讯优图实验室开源的高性能、轻量级神经网络推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN框架在原有Rapidnet、ncnn框架的基础上进一步加强了移动端设备的支持以及性能优化，同时借鉴了业界主流开源框架高性能和良好拓展性的特性，拓展了对于后台X86, NV GPU的支持。手机端 TNN已经在手机QQ、微视、P图等众多应用中落地，服务端TNN作为腾讯云AI基础加速框架已为众多业务落地提供加速支持。

项目模型推理采用TNN部署框架（支持多线程CPU和GPU加速推理）；图像处理采用OpenCV库，模型加速采用OpenCL，在普通电脑设备即可达到实时处理。

如果你想在这个 C++ Demo部署你自己训练的人脸检测和人体检测模型，你可以将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把原始的模型替换成你自己的TNN模型即可。

这是CMakeLists.txt，其中主要配置OpenCV+OpenCL+base-utils+TNN这四个库，Windows系统下请自行配置和编译

主程序src/main_for_yolov5.cpp中提供行人脸检测和人体检测的Demo：

编译脚本，或者直接：bash build.sh

• 如果你要测试CPU运行的性能，请修改src/main_for_yolov5.cpp

De【【微信】】 = CPU;

• 如果你要测试GPU运行的性能，请修改src/main_for_yolov5.cpp （需配置好OpenCL）?

De【【微信】】 = GPU; //默认使用GPU

下面截图给出开启OpenCL加速的性能对比截图，纯C++推理模式需要耗时几秒的时间，而开启OpenCL加速后，GPU模式耗时仅需十几毫秒，性能极大的提高。

CPU

GPU

下图给出C++版本行人检测(人体检测)效果：

?下图GIF这是Python版本的人脸检测和人体检测效果，C++版本与Python版本的结果几乎是一致

已经完成Android版本人脸检测和行人检测算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。详细说明请查看：人脸检测和行人检测3：Android实现人脸检测和行人检测(含源码，可实时检测)：https://blog.csdn.net/【【淘密令】】/article/details/130180240

?Android人脸检测和行人检测APP Demo体验：https://download.csdn.net/download/【【淘密令】】/87732863

?

【人脸检测和人体检测C/C++源码下载】

整套项目源码内容包含：人脸检测和人体检测4：C++实现人脸检测和人体检测(含源码，可实时检测)

1. 项目提供YOLOv5行人脸检测和人体检测模型：包含yolov5s模型，轻量化模型yolo【【微信】】和【【微信】】三个人脸检测和人体检测模型；在普通手机可实时检测识别，CPU(4线程)约30ms左右，GPU约25ms左右；包含高精度版本yolov5s人脸检测和人体检测模型，CPU(4线程)约250ms左右，GPU约100ms左右
2. 项目C++源码支持CPU和GPU运行，GPU模型加速需要配置好OpenCL，否则速度很慢
3. 项目源码不含Python训练代码和Android源码；

如果你想体验一下人脸检测和人体检测效果，可下载Android版本进行测试，Android和C++版本的人脸检测和人体检测核心算法是一样的

1. ?人脸检测和人体检测Python训练，请参考：人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)：https://blog.csdn.net/【【淘密令】】/article/details/130179987

2. 人脸检测和人体检测Android部署，请参考：人脸检测和行人检测3：Android实现人脸检测和行人检测(含源码，可实时检测)：https://blog.csdn.net/【【淘密令】】/article/details/130180240

红米11pro的详细参数发行时间 红米11 pro 详细参数及价格

红米11pro详细参数配置,红米11pro+参数,redmi 11pro,红米11pro价格
买的新手机红米11Pro全部参数看不见处理器型号？答：你好！亲，解决办法是：首先是，找到之后我们打开设置选项---点击我的设备。点击之后我们来到大致的设备面板，这里我们就可以看到当前的一个CPU处理器信息。然后我们可以根据自己的情况选择是否查看我们的手机CPU处理器个数、核数。需要的话可以点击全部参数，接着点击之后我们看到下面有一个处理器的地方，点击这个处理器。最后连续点击三次就可以生成我们的CPU报告，可以通过报告来获取更详细的信息