使用rknn进行facenet部署

关于rk3588s使用facenet-pytorch-main进行onnx的转换以及RKNN生成操作

目录 1.模型下载 2 转成rknn模型并推理 3 查看网络模型 1.模型下载 首先下载MobileFaceNet的模型，github下载地址为：https://github.com/sirius-ai/MobileFaceNet_TF/tree/master/arch/pretrained_model/ 2 转成rknn模型并推理 import numpy as np import cv2 from rknn.api import RKNN if __name__ == '__..

在之前的文章中我们完成了使用insigtface进行多人人脸识别，其本质是分别使用人脸检测模型进行人脸检测，之后使用人脸识别模型对检测出的人脸进行识别。在本节，我们将分别使用retinaface模型和facenet模型在PC端分别完成人脸检测和人脸识别，并导出相应的onnx模型。

1.模型下载 首先需要下载facenet的模型，github下载网址为：https://github.com/davidsandberg/facenet Pre-trained models Model name LFW accuracy Training dataset Architecture 20180408-102900 0.9905 CASIA-WebFace Inception ResNet v1 20180402-114759 0.996

这是RK3588开发板的边缘段程序，与客户端的改动差不多，只不过服务端加载onnx权重文件，客户端加载rknn权重文件我的客户端代码也包括本地对比和客户端两种。

在RKNN上实现人脸识别过程。模型采用Retinaface MobilefaceNet。采用Python代码 在线实现

参考上一章量化之后，识别速度没有提升，后面我只能换小点的模型了，把【det_10g】改为【det_500m】速度终于提升上来了，识别效果还在在rk3399 上面由1s多 降为500ms左右，但是速度还是有点慢。看了下识别时长，基本都是目标检测和人脸特征提取这两个时间有点长。

人脸识别（二）------ FaceNet FaceNet 简介 FaceNet 主要用于验证人脸是否为同一个人，通过人脸识别这个人是谁。通过把人脸图像映射到一个多维空间，根据空间距离表示人脸相似度。同个人脸图像空间距离较小，不同人脸图像空间距离较大。 FaceNet 网络结构分析 Batch： 人脸训练数据，是指输入的人脸图像样本，这里的样本是已经经过人脸检测找到人脸并裁剪到固定尺寸。 Dee...

本文还有配套的精品资源，点击获取 简介：本项目着重于在RK3568处理器上实现人脸检测和人脸五点关键点检测的AI应用。RK3568是一款专为嵌入式AI设计的高性能低功耗SoC，提供了CPU、GPU及AI加速器等强大硬件支持。项目将通过使用深度学习模型如MTCNN和基于CNN的方法来完成人脸检测和关键点识别任务。此外，还包含了从数据准备到模型移植、硬件集成和性能优化的完整开发...

rockx_face_attribute

序言 前段时间使用RKNN部署一个文字识别模型，因为文字识别模型用的是目前最普遍使用的CRNN模型，结构也相对简单：卷积+LSTM+全连接，都是比较元老级别的算子，本来已经部署的过程会很顺利，结果发现还是踩了很多坑。写篇文章记录下踩坑优化过程。 一、部署前 接到需求后，一开始想到的是直接使用paddleocr开源的通用文字识别模型，paddleocr提供了三个通用的文字识别模型，都是基于CRNN算法架构，分别是：mobilenetV3版、LCNet版、Resnet34版，前两个是移动端模型，后一个是服务端模