🚀 Retinaface

Retinaface是一个基于深度学习的人脸检测模型，它能够精准定位人脸的边界框和面部关键点。该模型基于PyTorch实现，具有高效、准确的特点，可广泛应用于人脸识别、表情分析等领域。

🚀 快速开始

Retinaface模型的使用示例如下：

import os
import torch
import json
from PIL import Image
from huggingface_hub import hf_hub_download
from feat.face_detectors.Retinaface.Retinaface_model import RetinaFace, postprocess_retinaface
from feat.utils.io import get_resource_path, get_test_data_path
from feat.utils.image_operations import convert_image_to_tensor, convert_color_vector_to_tensor

device = 'cpu'

# Download Model Weights and Config File
face_config_file = hf_hub_download(
    repo_id="py-feat/retinaface",
    filename="config.json",
    cache_dir=get_resource_path(),
)
with open(face_config_file, "r") as f:
    face_config = json.load(f)
    
face_model_file = hf_hub_download(repo_id='py-feat/retinaface', 
                                      filename="mobilenet0.25_Final.pth",
                                      cache_dir=get_resource_path())
face_checkpoint = torch.load(face_model_file, map_location=device, weights_only=True)
face_detector = RetinaFace(cfg=face_config, phase="test")                
face_detector.load_state_dict(face_checkpoint)
face_detector.eval()
face_detector.to(device)

# Run Inference
frame = Image.open(os.path.join(get_test_data_path(), "multi_face.jpg"))
single_frame = torch.sub(frame, convert_color_vector_to_tensor(np.array([123, 117, 104])))
predicted_locations, predicted_scores, predicted_landmarks = face_detector.forward(single_frame.to(device))
face_output = postprocess_retinaface(predicted_locations, predicted_scores, predicted_landmarks, face_config, single_frame, device=device)

✨ 主要特性

• 基于PyTorch实现，易于使用和扩展。
• 采用mobilenet0.25作为骨干网络，参数少，计算效率高；也可使用resnet50作为骨干网络，以获得更好的检测效果。
• 能够返回检测到的每个人脸的边界框位置、人脸检测的置信度分数以及10个面部关键点。

📚 详细文档

模型描述

这是基于biubug6的实现的[RetinaFace: Single-stage Dense Face Localisation in the Wild](RetinaFace: Single-stage Dense Face Localisation in the Wild)的PyTorch实现。Retinaface模型采用了具有多层结构的深度卷积神经网络架构。它使用mobilenet0.25作为骨干网络（仅170万个参数），但也可以使用resnet50作为骨干网络以获得更好的结果，但会增加计算开销。 该模型返回每个检测到的人脸的边界框位置、人脸检测的置信度分数以及10个面部关键点。

模型详情

模型来源

• 仓库：Py-Feat
• 论文：RetinaFace: Single-stage Dense Face Localisation in the Wild

评估结果

该模型在WIDER FACE数据集上进行了评估，具体的基准测试结果可参考biubug6的仓库。

引用

如果您在研究或应用中使用了Retinaface模型，请引用以下论文：

@misc{deng2019retinafacesinglestagedenseface,
      title={RetinaFace: Single-stage Dense Face Localisation in the Wild}, 
      author={Jiankang Deng and Jia Guo and Yuxiang Zhou and Jinke Yu and Irene Kotsia and Stefanos Zafeiriou},
      year={2019},
      eprint={1905.00641},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/1905.00641}
}

致谢

感谢贡献者和开源社区在模型开发过程中的宝贵支持。特别感谢原Retinaface论文的作者、WIDER FACE数据集以及biubug6分享的权重和代码。

许可证

• 许可证：MIT
• 许可证链接：MIT License