更新日志

2018-08-15日更新

(1)添加自然场景文本检测，模型从TextBoxes转过来的。我个人觉得速度太慢，而且准确度不高。

注意这个项目里用的PriorBoxLayer与SSD里的PriorBoxLayer是不同的，为了导出ZQCNN格式的权重我修改了deploy.prototxt保存为deploy_tmp.prototxt。从此处下载模型。

(2)添加图片鉴黄，模型从open_nsfw转过来的，准确度高不高我也没测过。

从此处下载模型。

2018-08-10日更新

成功转了mxnet上的GenderAge-r50模型以及Arcface-LResNet100E-IR，与转MobileFaceNet模型步骤一样。

下面Model Zoo 有我转好的模型，比自动转出来的应该略快。

打开ZQCNN.sln运行SampleGenderAge查看效果。我E5-1650V4的CPU，单线程时间波动很大，均值约1900-2000ms，四线程400多ms。

2018-08-09日更新

添加mxnet2zqcnn，成功将mxnet上的MobileFaceNet转成ZQCNN格式（不能保证其他模型也能转成功，ZQCNN还不支持很多Layer）。

第一步：编译出mxnet2zqcnn.exe

第二步：下载model-y1.zip然后解压

第三步：在刚才解压的目录下运行命令行 mxnet2zqcnn.exe model-symbol.json model-0000.params test.zqparams test.nchwbin

第四步：用记事本打开test.zqparams, 在第一行（Input Layer）后面加上 C=3 H=112 W=112 然后保存

第五步：把test.zqparams和test.nchwbin复制到model文件夹下，然后在VS2015里运行SampleMobileFaceNet.exe，注意工作目录是$(SolutionDir)

自动转出来的速度慢了不少，可以手工修改test.zqparams，可以参考ArcFace-MobileFaceNet-v0

2018-08-07日更新

BUG修复：之前Convolution, DepthwiseConvolution, InnerProduct, BatchNormScale/Scale默认with_bias=true，现在改成默认with_bias=false。也就是之前的代码无法加载不带bias的这几个Layer。

示例，如下这样一个Layer，以前会默认为有bias_term，现在默认没有bias_term

Convolution name=conv1 bottom=data top=conv1 num_output=10 kernel_size=3 stride=1

2018-08-06日更新

增加人脸识别在LFW数据库的精度测试。打开ZQlibFaceID.sln可以看到相关Project。

由于C++代码的计算精度与matlab略有差距，统计出的精度也有一些差别，但是相差在0.1%以内。

2018-08-03日更新

支持多线程（通过openmp加速）。请注意，目前多线程反而比单线程慢

2018-07-26日更新

支持MobileNet-SSD。caffemodel转我用的模型参考export_mobilenet_SSD_caffemodel_to_nchw_binary.m。需要编译出matcaffe才行。你可以试试这个版本caffe-ZQ

2018-06-05日更新

跟上时代潮流、发布源码。忘了说需要依赖openblas，我是直接用的mini-caffe里面的那个版本，自己编译出来的很慢。

Model Zoo

人脸检测

MTCNN 从MTCNN转的格式

人脸识别

模型名称 LFW精度耗时备注 SphereFace04 98.2% - 不建议使用 SphereFace04bn 98.5% - 不建议使用 SphereFace06bn 98.7%-98.8% - 不建议使用 SphereFace20 99.2%-99.3% 单线程约195ms， 3.6GHz 不建议使用模型名称 LFW精度耗时备注 SphereFace04bn256 97.8%-97.9% 单线程6-7ms, 3.6GHz 速度最快 Mobile-SphereFace10bn 98.6%-98.7% 单线程15ms, 3.6GHz 性价比高 MobileFaceNet-v0 99.13%-99.23% 单线程33-35ms，4线程14-15ms, 3.6GHz 从model-y1.zip转的格式 MobileFaceNet-v1 99.17%-99.37% 单线程33-35ms，4线程14-15ms, 3.6GHz 我自己用insightface训练了一把 MobileFaceNet-res2-6-10-2-dim128 99.67%-99.55%(matlab crop), 99.72-99.60%(C++ crop) 时间与dim256接近网络结构与dim256一样，只不过输出维数不同 MobileFaceNet-res2-6-10-2-dim256 99.60%-99.60%(matlab crop), 99.62-99.62%(C++ crop) 单线程约85ms，四线程约30ms, 3.6GHz 网络结构在下载链接里,用faces_emore训练的 MobileFaceNet-res2-6-10-2-dim512 99.52%-99.60%(matlab crop), 99.63-99.72%(C++ crop) 时间与dim256接近网络结构与dim256一样，只不过输出维数不同。感谢moli训练此模型 MobileFaceNet-res4-8-16-4-dim256 99.78%-99.78%(matlab crop), 99.75-99.75%(C++ crop) 单线程约135ms，四线程约42ms, 3.6GHz 网络结构在下载链接里,用faces_emore训练的 ArcFace-r34 99.65%-99.70% 单线程500ms+,3.6GHz - ArcFace-r34-v2 99.73%-99.77%(matlab crop), 99.68-99.78%(C++ crop) 单线程500ms+,3.6GHz - ArcFace-r50 99.75%-99.78% 单线程700ms+,3.6GHz - ArcFace-r100 99.80%-99.82% 单线程1900ms+，四线程480ms, 3.6GHz 时间波动很大

表情识别

FacialEmotion 七类表情用Fer2013训练

性别年龄识别

GenderAge-r50从insightface的gamodel-r50转的格式。

目标检测

MobileNetSSD 从MobileNet-SSD转的格式

MobileNetSSD-Mouth 用于SampleDetectMouth

文字检测

TextBoxes 从TextBoxes转的格式

图片鉴黄

NSFW 从open_nsfw转的格式

(1)人脸特征向量用整数存储精度损失多少？