前言
随着深度学习的不断火热,涌现了很多深度学习框架,比如caffe tensorflow pytorch mxnet onnx等等,这些框架大大降低了深度学习的入门难度,配合着论文+强大的python,以及github的各种开源项目,比较容易写出一个算法训练工程,并不断训练和迭代。但是训练工程的模型跑分高不一定代表项目部署工程的效果好,原因有很多,可能与训练的数据集有关,也可能与部署工程的代码逻辑有关,也有可能与部署工程的代码效率有关(部署平台的算力和训练平台可能有天壤之别),为了将部署工程的跑分效果尽可能地与训练工程接近,笔者做了一套深度学习算法部署工程,用于部署各种深度识别算法,集成了很多高效、优秀的图像处理模块,如neon加速,双线性插值resize,内存共享降低拷贝等等,只为保证实时视频流的人脸特征提取(视频中可同时存在30张移动人脸)。
目前笔者的开源工程处于建立的初期,很多模块还不完善,所以目前是一个半开源的状态,但是完全不影响二次开发和使用,接口比较简单,感兴趣可以尝试一下。
后续笔者会开源所有源代码,但是真心希望小伙伴们给一些点赞和关注,整个项目都是业余时间做比较辛苦,如果没人关注了不知道能坚持多久,先行谢谢了!<