Skip to content

Latest commit

 

History

History
executable file
·
87 lines (58 loc) · 2.7 KB

README.md

File metadata and controls

executable file
·
87 lines (58 loc) · 2.7 KB
Raw

slimfacenet使用示例

本示例将演示如何训练slimfacenet及评测slimfacenet量化模型。

本示例依赖：Paddle 1.8 PaddleSlim 1.1.1

当前示例支持以下人脸识别模型：

  • SlimFaceNet_A_x0_60
  • SlimFaceNet_B_x0_75

为了对齐论文，LFW指标为112x96输入下的结果；结合业务场景，Flops和speed为112x112输入下的结果，延时为RK3288上的延时。

Method LFW Flops speed
MobileNetV2 98.58% 277M 270ms
MobileFaceNet 99.18% 224M 102ms
SlimFaceNet_A_x0_60 99.21% 128M 63ms
SlimFaceNet_B_x0_75 99.22% 151M 70ms
SlimFaceNet_A_x0_60_quant 99.17% 32M 42ms
SlimFaceNet_B_x0_75_quant 99.21% 38M 45ms

1. 数据准备

本示例支持CASIA和lfw两种公开数据集默认情况：

CASIA训练数据集

lfw测试数据集

1). 训练数据集位置./CASIA 2). 测试数据集位置./lfw

2. 下载预训练模型

如果使用预先训练并量化好的slimfacenet模型，可以从以下地址下载

SlimFaceNet_A_x0_60预训模型

SlimFaceNet_A_x0_60量化模型

SlimFaceNet_B_x0_75预训模型

SlimFaceNet_B_x0_75量化模型

3. 启动slimfacenet训练任务

通过以下命令启动训练任务：

sh slim_train.sh
或者
export CUDA_VISIBLE_DEVICES=0
python -u train_eval.py \
    --action train \
    --model=SlimFaceNet_B_x0_75

其中，SlimFaceNet_A_x0_60是slimfacenet搜索空间中的一个模型结构，通道数的缩放系数为0.6， 在每个缩放系数下搜索空间中都共有6**15(约4700亿)种不同的模型结构。模型训练好之后会保存在./out_inference/

4. 将float32模型量化为int8模型

通过以下命令启动训练任务：

sh slim_quant.sh
或者
export CUDA_VISIBLE_DEVICES=0
python -u train_eval.py --action quant

执行完之后量化模型会保存在./quant_model/, 注当前阶段量化模型还是是按float32保存的，转paddlelite后会变为int8

4. 加载和评估量化模型

本节介绍如何加载并评测预先训练好并量化后的模型。

执行以下代码加载模型并评估模型在测试集上的指标。

将量化模型默认地址在`./quant_model/`
sh slim_eval.sh
或者
export CUDA_VISIBLE_DEVICES=0
python train_eval.py --action test