InsightFace tensorRT

最新推荐文章于 2024-05-26 10:02:28 发布
最新推荐文章于 2024-05-26 10:02:28 发布
阅读量2.2k 收藏 1
点赞数
分类专栏： pytorch知识宝典
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jacke121/article/details/115794377
版权
本文分享了如何将PyTorch的ResNet50模型转换为TensorRT优化的版本，以及提供了C++版的ArcFace MobileFaceNet实现。此外，还列出了用于脸部识别的TensorRT Python接口和相关资源链接。
摘要由CSDN通过智能技术生成


pytorch resnet50转过来的：
https://github.com/jinbaoziyl/InsightFace_Tensorrtx

 

c++版的：arcface mobilefacenet:

https://github.com/cockroache95/cpp_example

fork到我的账号下了：

https://github.com/jacke121/cpp_example


mobilefacenet：
https://github.com/d246810g2000/tensorrt/blob/6924574d525c3b7190deb110fca078680920fc29/face_recognition/trt_face_recognition.py

 

python版的tensorrt：

https://github.com/d246810g2000/tensorrt
https://github.com/d246810g2000/tensorrt/tree/6924574d525c3b7190deb110fca078680920fc29/face_recognition

 

tensorrt/face

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI算法网奇
关注
专栏目录
订阅专栏
retinaface tensorRT
jacke121的专栏
10-27 3509
https://zhuanlan.zhihu.com/p/86827710 https://www.jianshu.com/p/14ddc581fee8 http://manaai.cn/aicodes_detail3.html?id=48
InsightFace-REST:InsightFace REST API 用于在 Docker 中使用 TensorRT 轻松部署人脸识别服务
08-04
InsightFace-REST 该存储库旨在为 InsightFace 人脸检测和识别管道提供方便、易于部署和可扩展的 REST API，使用 FastAPI 进行服务，使用 NVIDIA TensorRT 进行优化推理。 代码主要基于官方 DeepInsight InsightFaceAPI。 该存储库提供用于构建人脸识别 REST API 和使用 Docker 将模型转换为 ONNX 和 TensorRT 的源代码。 主要特征： 准备好使用 Docker 和 nvidia-docker2 在支持 NVIDIA GPU 的系统上进行部署。 启动时自动下载模型（使用 Google Drive）。 借助 TensorRT 优化、FP16 推理和使用 ArcFace 模型对检测到的人脸进行批量推理，性能比 MXNet 推理提高多达 3 倍。 支持较旧的 Retinaface 探
onnx tensorRT insightface 实践
m0_37192554的博客
06-18 1340
一、环境问题 1、查看自己的电脑版本 cuda 版本 cat /usr/local/cuda/version.txt cudnn 版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 不显示 运行如下命令 cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2 CUDA Version 11.0.207 #define CUDNN_MAJOR 8 #def
InsightFace-tensorflow：InsightFace的Tensoflow实现（ArcFace：用于深层识别的附加角余量损失）
02-06
InsightFace张量流 这是论文“ ”的张量流实现。 此实现旨在简化预训练模型的使用和对自己模型的训练。 无论您是想使用预训练模型进行人脸识别/验证，还是想训练/微调您自己的模型，该项目都可以为您提供帮助。 关于人脸识别损失的介绍可以在找到（中文）。 该实现是指。 待办事项清单 用softmax训练[完成！] 模型评估[完成！] 用softmax微调[完成！] 嵌入预训练模型[完成！] 三重损失训练[待办事项] 微调，三重损失[待办事项] 骨干7.1 ResNet [完成！] 7.2 ResNeXt [待办事项] 7.3 DenseNet [待办事项] 损失8.1弧面损失
推荐开源项目：InsightFace-tensorflow —— 深度人脸识别的新宠儿
最新发布
gitblog_00004的博客
05-26 302
推荐开源项目：InsightFace-tensorflow —— 深度人脸识别的新宠儿 去发现同类优质开源项目:https://gitcode.com/ 人脸识别，作为人工智能领域的一项关键技术，已广泛应用于安全验证、身份识别等多个场景中。今天，我们要向大家推荐一个强大的开源项目——InsightFace-tensorflow。该项目以TensorFlow为基石，实现了《ArcFace: Addi...
InsightFace_TF：TensorFlow上的Insight Face
02-06
TensorFlow中的Insight Face 任务 mxnet数据集到tfrecords 骨干网络架构[vgg16，vgg19，resnet] 骨干网络体系结构[resnet-se，resnext] LResNet50E-IR LResNet100E-IR 加法角余量损失 余弦面损失 火车网络代码 在训练期间添加验证 多GPU训练 合并损失由RogerLo提供。 评估代码 培训技巧（持续更新） 如果您不能使用大批量（> 128），则应使用较小的学习率 如果您不能使用大批量（> 128），则可以尝试重新规范化批量（文件L_Resnet_E_IR_RBN.py ） 如果使用多个
tensorrt-llm-0.7.0-cp310-cp310-win-amd64.whl
03-08
TensorRT是由NVIDIA推出的一个高性能的深度学习推理（Inference）优化器和运行时引擎，它可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT是一个C++库，提供C++ API和Python API，主要用于NVIDIA GPU...
重新实现RetinaFace使用C ++和TensorRT-C/C++开发
05-26
模型转换工具MXNet2Caffe您需要自己添加一些层，并且在caffe中没有upsam RetinaFace C ++重新实现源参考资源RetinaFace用python代码提供在Insightface中。 模型转换工具MXNet2Caffe您需要自己添加一些图层，并且在...
InsightFace及其mxnet、tensorflow代码实现
独行侠
02-28 789
参考文档：https://www.cnblogs.com/darkknightzh/p/8525287.html
insightface 预训练文件
04-14
insightface 用于预训练的人脸模型，可用于深度学习人脸识别模型的训练
基于MTCNN/TensorFlow实现人脸检测
09-20
主要为大家详细介绍了基于MTCNN/TensorFlow实现人脸检测，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
基于Tensorflow的人脸识别源码
01-07
该代码使用Tensorflow r1.7在Ubuntu 14.04下使用Python 2.7和Python 3.5进行测试。代码中包含测试用例。模型使用固定图像标准化。在中科院自动化所，WebFace数据集已经被用于训练。该面部检测后，该训练集包括总共453 453个图像，超过10 575个身份。如果在训练之前过滤了数据集，则可以看到一些性能改进。有关如何完成此操作的更多信息将在稍后提供。性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~ 3.3M面和~9000个类组成。提供了几个预训练模型。请注意，模型的输入图像需要使用固定图像标准化进行标准化
pytorch-insightface:预先训练的Insightface模型移植到pytorch
05-25
Pytorch InsightFace 将来自预训练的ResNet模型移植到pytorch。 模型 LFW（％） CFP-FP（％） AgeDB-30（％） MegaFace（％） iresnet34 99.65 92.12 97.70 96.70 iresnet50 99.80 92.74 97.76 97.64 iresnet100 99.77 98.27 98.28 98.47 安装 pip install git+https://github.com/nizhib/pytorch-insightface 用法 import torch from imageio import imread from torchvision import transforms import insightface embedder = insightface
使用face_recognition（一）人脸识别
hehangjiang的博客
01-03 6266
关于使用face_recognition，安装方面还是有些坑的。之前用的是python3.5，pip安装出错，需要dlib什么的。按照网上的教程弄，还是有问题，搞了一天搞不定。后来看到说用python3.6比较简单，就换了个版本，结果pip轻松搞定。。。嗯，这是个坑，记录一下。关于face_recognition人脸识别的代码其实挺简单的，一看就能懂。我还顺便记录了一下时间，代码如下：#!/usr/
Arcface TensorRT Demo
ZHOUYONGXYZ的专栏
12-02 921
import tensorrt as trt import pycuda.driver as cuda import pycuda.autoinit import numpy as np import cv2 def get_engine(engine_path): # If a serialized engine exists, use it instead of building an engine. print("Reading engine from file {}".forma.
使用tensorrt_inference库导出RetinaFace-R50模型到TensorRT Engine
TracelessLe的专栏
03-24 5418
前言 TensorRT是NVIDIA推出的一款高效深度学习模型推理框架，其包括了深度学习推理优化器和运行时，能够让深度学习推理应用拥有低时延和高吞吐的优点。 RetinaFace 作为一款InsightFace出品的较为优秀的单阶段人脸检测器，使用TensorRT进行模型转化来提升推理速度很有必要。 RetinaFace TensorRT加速 本文主要参考tensorrt_inference开源库，将RetinaFace -R50模型转为TensorRT engine并使用自带C++代码运行测试。
TensorRT对face_boxes的加速
猫猫与橙子的博客
03-05 1097
TensorRT对face_boxes进行加速: 难点:priorbox layer和mobileNet SSD中的priorbox layer实现不太一样了,所以要对这层自己进行实现,当前遇到的报错: 问题1: nvinfer1::DimsCHW nvinfer1::getCHW(const nvinfer1::Dims&): Assertion ` d.nbDims >=...
模型部署｜Arcface+TensorRT的部署，模型推理部署
迈微AI研习社 · 号主
09-28 457
Arcface基于resnet50的部署项目，可以直接生成engine文件，同时对于PRelu的Plugin有详细的中文注释，希望可以教会你写plugin的套路，后续也会加入其他plugin的书写注释。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值