zbyuan / ZQCNN

一款比mini-caffe更快的Forward库，觉得好用请点星啊，400星公布快速人脸检测模型，500星公布106点landmark，600星公布人头检测模型，700星公布人脸检测套餐（六种pnet,两种rnet随意混合使用满足各种速度/精度要求），800星公布更准的106点模型

简介

ZQCNN是ZuoQing参照mini-caffe写的forward库，ZQCNN性能远超mini-caffe、opencv。

主开发环境 ：VS2015 with Update 3

MKL下载地址:此处下载

核心模块支持linux:

如果按照build-with-cmake.md不能完全编译，可以只编译ZQ_GEMM，ZQCNN，和其他你想测试的程序

核心模块支持arm-linux:

如果按照build-with-cmake.md不能完全编译，可以只编译ZQ_GEMM，ZQCNN，和其他你想测试的程序

BUG: cmake .. -DSIMD_ARCH_TYPE=arm64 -DBLAS_TYPE=openblas_zq_gemm

理想情况下会使用openblas和ZQ_GEMM较快的一方来计算卷积（我通过在cortex-A72上测试时间来选择分支）。然而目前这个选项并不能达到预期效果， 需要手工注在ZQ_CNN_CompileConfig.h里定义

#define ZQ_CNN_USE_ZQ_GEMM 1
#define ZQ_CNN_USE_BLAS_GEMM 1

可以注释掉

line 67: #if defined(ZQ_CNN_USE_BOTH_BLAS_ZQ_GEMM)
line 70: #endif

训练相关

训练性别年龄：https://github.com/zuoqing1988/train-GenderAge

训练MTCNN：https://github.com/zuoqing1988/train-mtcnn

训练SSD: https://github.com/zuoqing1988/train-ssd

训练MTCNN用于人头检测：https://github.com/zuoqing1988/train-mtcnn-head

更新日志

2019-07-08日更新：ZQCNN模型转MNN模型代码

点此阅读

2019-05-28日更新：开源一个准商用级106点模型

ZQCNN格式：在model文件夹det5-dw112

mxnet格式：链接：https://pan.baidu.com/s/19DTG3rmkct8AiEu0l3DYjw 提取码：qjzk

2019-03-16日更新：达到800星，公布更准的106点landmark模型

ZQCNN格式:det5-dw96-v2smodel文件夹中det5-dw96-v2s.zqparams, det5-dw96-v2s.nchwbin

mxnet格式:Lnet106_96_v2s提取码：r5h2

2019-02-14日更新：达到700星，公布人脸检测精选模型

ZQCNN格式：精选6种Pnet、2种Rnet、2种Onet、2种Lnet

六种Pnet	输入尺寸	计算量（不计bbox）	备注
Pnet20_v00	320x240	8.5 M	对标libfacedetection
Pnet20_v0	320x240	11.6 M	对标libfacedetection
Pnet20_v1	320x240	14.6 M
Pnet20_v2	320x240	18.4 M	对标原版pnet
Pnet16_v0	256x192	7.5 M	stride=4
Pnet16_v1	256x192	9.8 M	stride=4

两种Rnet	输入尺寸	计算量	备注
Rnet_v1	24x24	0.5 M	对标原版Rnet
Rnet_v2	24x24	1.4 M

两种Onet	输入尺寸	计算量	备注
Onet_v1	48x48	2.0 M	不含landmark
Onet_v2	48x48	3.2 M	不含landmark

两种Lnet	输入尺寸	计算量	备注
Lnet_v2	48x48	3.5 M	lnet_basenum=16
Lnet_v2	48x48	10.8 M	lnet_basenum=32

2019-01-31日更新：达到600星，公布MTCNN人头检测模型

hollywoodheads数据训练的，效果一般，凑合用吧

人头检测mtcnn-headmxnet-v0&zqcnn-v0

2019-01-24日更新：核心模块支持linux

如果按照build-with-cmake.md不能完全编译，可以只编译ZQ_GEMM，ZQCNN，和其他你想测试的程序

2019-01-17日更新

更改了ZQ_CNN_MTCNN.h

(1)init时设置thread_num小于1时可以强制Pnet_stage执行多线程，也就是会分块，对于大图找小脸来说可以防止内存爆掉

(2)rnet/onet/lnet的尺寸可以不是24/48/48，但是只支持宽高相等

(3)rnet/onet/lnet分批处理，在脸非常多时可以减小内存占用

2019-01-15日更新：庆祝达到500星，发放106点landmark模型

mxnet格式&zqcnn格式

2019-01-04日更新：庆祝达到400星，发放快速人脸模型

mxnet格式

zqcnn格式

v3版本还不够好，后面还将出v4版本，大概就是下面这个图的意思

2018-12-25日更新:不开源的106点landmark

生活比较拮据，挣点外快。

landmark106-normal-1000.jpg是model\det5-dw48-1000.nchwbin生成的landmark

landmark106-normal.jpg，与landmark106-big.jpg是我训练的两个没开源的模型

其中normal模型2.1M，计算量11.4M，PC单线程耗时0.6-0.7ms，big模型7.56M，计算量36.4M，PC单线程耗时1.5-1.6ms

2018-12-20日更新：添加MTCNN106点landmark模型

在SampleMTCNN里试用（放出来的只是一个不太好的，更好的等着卖钱）

SampleLnet106有计时，单线程约0.6~0.7ms (E5-1650V4, 3.6GHz)

2018-12-03日更新：将模型编译到代码里面

ZQCNN.sln里 model2code 可以将模型编译成代码

model2code.exe param_file model_file code_file prefix

然后在你的工程里面添加

#include"code_file"

使用下面的函数加载模型

LoadFromBuffer(prefix_param, prefix_param_len, prefix_model, prefix_model_len)

2018-11-21日更新

支持mxnet-ssd训练的模型，mean_val需要设成127.5才能在SampleSSD里面正确运行。

但是使用ReLU训练的好像不正确，我用PReLU训练一个，重头训练的，只有mAP=0.48凑合着看吧，点此下载。

更改模型之后必须用imagenet先训练分类模型，然后再训练SSD，才能把mAP弄上去。

2018-11-14日更新

(1)优化ZQ_GEMM，3.6GHz的机器上MKL峰值约46GFLOPS， ZQ_GEMM约32GFLOPS。使用ZQ_GEMM人脸模型总体时间约为使用MKL时1.5倍。

注意：使用VS2017编译出来的ZQ_GEMM比VS2015快，但是SampleMTCNN多线程运行是错的（可能OpenMP的支持规则不同？）。

(2)加载模型时可以去掉非常小的权重。当你发现模型比预料中慢很多时，多半是由于权重值太小造成的。

2018-11-06日更新

(1)去掉layers里所有omp多线程的代码，计算量太小，速度比单线程更慢

(2)cblas_gemm可以选择MKL，不过3rdparty带的mkl在我机器上很慢，dll比较大，我没放在3rdparty\bin里，请从此处下载。

2018-10-30日更新2：MTCNN大图找小脸建议先用高斯滤波

2018-10-30日更新：BatchNorm的eps问题

(1)BatchNorm、BatchNormScale的默认eps都是0

(2)如果是用mxnet2zqcnn从mxnet转过来模型，转的过程中会把eps加到var上面当做新的var

(3)如果是从其他平台转过来模型，要么手工把eps加到var上面，要么在BatchNorm、BatchNormScale后面加上eps=?(?为该平台这个层的eps值)

注意：为了防止除0错，在除var的时候是这么计算的sqrt(__max(var+eps,1e-32))，也就是说如果var+eps小于1e-32，会与理论值略有不同。 不过今天修改之后下面几个人脸模型的LFW的精度反而与minicaffe的结果一模一样了。

2018-10-26日更新

MTCNN支持多线程，大图找小脸而且脸多的情况下，8线程可以取得单线程4倍以上效果，请用data\test2.jpg来测试

2018-10-15日更新

改进MTCNN的nms策略：1.每个scale的Pnet的nms的局部极大必须覆盖一定数量的非极大，数量在参数中设置; 2.当Pnet的分辨率太大时，nms进行分块处理。

2018-09-25日更新

支持insightface的GNAP，自动转模型使用mxnet2zqcnn，查看mxnet2zqcnn。可以试用MobileFaceNet-GNAP

2018-09-20日更新

(1)更新人脸识别模型tar-far精度的测试方法，可以按照步骤How-to-evaluate-TAR-FAR-on-your-dataset自行构造测试集测试模型精度。

(2)按照(1)我清洗CASIA-Webface构造了两个测试集webface1000X50、webface5000X20，并测试了我开源的几个主要人脸识别模型的精度。

2018-09-13日更新

(1)支持从内存加载模型

(2)增加编译配置ZQ_CNN_CompileConfig.h，可以选择是否使用_mm_fmadd_ps, _mm256_fmadd_ps (可以测一下速度看看到底快了还是慢了)。

2018-09-12日更新 利用insightface训练112*96(即sphereface的尺寸)步骤： InsightFace： how to train 112*96

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。 查看mxnet2zqcnn

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）。查看mxnet2zqcnn

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-author-version 从MTCNN转的格式

MTCNN-ZQ-version

人脸识别(如无说明，模型都是ms1m-refine-v2训练的)

模型	LFW精度(ZQCNN)	LFW精度(OpenCV3.4.2)	LFW精度(minicaffe)	耗时 (ZQCNN)	备注
MobileFaceNet-res2-6-10-2-dim128	99.67%-99.55%(matlab crop), 99.72-99.60%(C++ crop)	99.63%-99.65%(matlab crop), 99.68-99.70%(C++ crop)	99.62%-99.65%(matlab crop), 99.68-99.60%(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)	99.73%-99.68%(matlab crop), 99.78-99.68%(C++ crop)	99.55%-99.63%(matlab crop), 99.60-99.62%(C++ crop)	单线程约21-22ms，四线程约11-12ms, 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)	99.70%-99.67%(matlab crop), 99.77-99.77%(C++ crop)	99.55%-99.62%(matlab crop), 99.62-99.68%(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

模型	LFW精度(ZQCNN)	LFW精度(OpenCV3.4.2)	LFW精度(minicaffe)	耗时 (ZQCNN)	备注
MobileFaceNet-res4-8-16-4-dim128	99.72%-99.72%(matlab crop), 99.72-99.68%(C++ crop)	99.82%-99.83%(matlab crop), 99.80-99.78%(C++ crop)	99.72%-99.72%(matlab crop), 99.72-99.68%(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-res4-8-16-4-dim256	99.78%-99.78%(matlab crop), 99.75-99.75%(C++ crop)	99.82%-99.82%(matlab crop), 99.80-99.82%(C++ crop)	99.78%-99.78%(matlab crop), 99.73-99.73%(C++ crop)	单线程约32-33ms，四线程约16-19ms, 3.6GHz	网络结构在下载链接里,用faces_emore训练的
MobileFaceNet-res4-8-16-4-dim512	99.80%-99.73%(matlab crop), 99.85-99.83%(C++ crop)	99.83%-99.82%(matlab crop), 99.87-99.83%(C++ crop)	99.80%-99.73%(matlab crop), 99.85-99.82%(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

模型\测试集webface1000X50	thresh@ FAR=1e-7	TAR@ FAR=1e-7	thresh@ FAR=1e-6	TAR@ FAR=1e-6	thresh@ FAR=1e-5	TAR@ FAR=1e-5
MobileFaceNet-res2-6-10-2-dim128	0.78785	9.274%	0.66616	40.459%	0.45855	92.716%
MobileFaceNet-res2-6-10-2-dim256	0.77708	7.839%	0.63872	40.934%	0.43182	92.605%
MobileFaceNet-res2-6-10-2-dim512	0.76699	8.197%	0.63452	38.774%	0.41572	93.000%
MobileFaceNet-res4-8-16-4-dim128	0.79268	9.626%	0.65770	48.252%	0.45431	95.576%
MobileFaceNet-res4-8-16-4-dim256	0.76858	9.220%	0.62852	46.195%	0.40010	96.929%
MobileFaceNet-res4-8-16-4-dim512	0.76287	9.296%	0.62555	44.775%	0.39047	97.347%

模型\测试集webface5000X20	thresh@ FAR=1e-7	TAR@ FAR=1e-7	thresh@ FAR=1e-6	TAR@ FAR=1e-6	thresh@ FAR=1e-5	TAR@ FAR=1e-5
MobileFaceNet-res2-6-10-2-dim128	0.70933	29.558%	0.51732	85.160%	0.45108	94.313%
MobileFaceNet-res2-6-10-2-dim256	0.68897	28.376%	0.48820	85.278%	0.42386	94.244%
MobileFaceNet-res2-6-10-2-dim512	0.68126	27.708%	0.47260	85.840%	0.40727	94.632%
MobileFaceNet-res4-8-16-4-dim128	0.71238	32.153%	0.51391	89.525%	0.44667	96.583%
MobileFaceNet-res4-8-16-4-dim256	0.68490	30.639%	0.46092	91.900%	0.39198	97.696%
MobileFaceNet-res4-8-16-4-dim512	0.67303	32.404%	0.45216	92.453%	0.38344	98.003%

模型\测试集TAO ids:6606,ims:87210	thresh@ FAR=1e-7	TAR@ FAR=1e-7	thresh@ FAR=1e-6	TAR@ FAR=1e-6	thresh@ FAR=1e-5	TAR@ FAR=1e-5
MobileFaceNet-res2-6-10-2-dim128	0.92204	01.282%	0.88107	06.837%	0.78302	41.740%
MobileFaceNet-res2-6-10-2-dim256	0.91361	01.275%	0.86750	07.081%	0.76099	42.188%
MobileFaceNet-res2-6-10-2-dim512	0.90657	01.448%	0.86061	07.299%	0.75488	41.956%
MobileFaceNet-res4-8-16-4-dim128	0.92098	01.347%	0.88233	06.795%	0.78711	41.856%
MobileFaceNet-res4-8-16-4-dim256	0.90862	01.376%	0.86397	07.083%	0.75975	42.430%
MobileFaceNet-res4-8-16-4-dim512	0.90710	01.353%	0.86190	06.948%	0.75518	42.241%

模型\测试集ZQCNN-Face_5000_X_20	thresh@ FAR=1e-8	TAR@ FAR=1e-8	thresh@ FAR=1e-7	TAR@ FAR=1e-7	thresh@ FAR=1e-6	TAR@ FAR=1e-6
MobileFaceNet-GNAP	0.73537	11.722%	0.69903	20.110%	0.65734	33.189%
MobileFaceNet-res2-6-10-2-dim128	0.64772	40.527%	0.60485	55.345%	0.55571	70.986%
MobileFaceNet-res2-6-10-2-dim256	0.61647	42.046%	0.57561	55.801%	0.52852	70.622%
MobileFaceNet-res2-6-10-2-dim512	0.59725	44.651%	0.55690	58.220%	0.51134	72.294%
MobileFaceNet-res4-8-16-4-dim128	0.64519	47.735%	0.60247	62.882%	0.55342	77.777%
MobileFaceNet-res4-8-16-4-dim256	0.58229	56.977%	0.54582	69.118%	0.49763	82.161%
MobileFaceNet-res4-8-16-4-dim512	0.58296	54.731%	0.54219	68.613%	0.49174	82.812%
MobileFaceNet-res8-16-32-8-dim512	0.58058	61.826%	0.53841	75.281%	0.49098	86.554%

模型\测试集ZQCNN-Face_5000_X_20	thresh@ FAR=1e-8	TAR@ FAR=1e-8	thresh@ FAR=1e-7	TAR@ FAR=1e-7	thresh@ FAR=1e-6	TAR@ FAR=1e-6
ArcFace-r34-v2(非本人训练)	0.61953	47.103%	0.57375	62.207%	0.52226	76.758%
ArcFace-r50 (ms1m-refine-v1非本人训练)	0.61299	50.594%	0.56658	65.757%	0.51637	79.207%
ArcFace-r100 (非本人训练)	0.57350	67.434%	0.53136	79.944%	0.48164	90.147%

模型\测试集ZQCNN-Face_12000_X_10-40	thresh@ FAR=1e-8	TAR@ FAR=1e-8	thresh@ FAR=1e-7	TAR@ FAR=1e-7	thresh@ FAR=1e-6	TAR@ FAR=1e-6
MobileFaceNet-res2-6-10-2-dim128	0.64507	39.100%	0.60347	53.638%	0.55492	69.516%
MobileFaceNet-res2-6-10-2-dim256	0.61589	39.864%	0.57402	54.179%	0.52596	69.658%
MobileFaceNet-res2-6-10-2-dim512	0.60030	41.309%	0.55806	55.676%	0.50984	70.979%
MobileFaceNet-res4-8-16-4-dim128	0.64443	45.764%	0.60060	61.564%	0.55168	76.776%
MobileFaceNet-res4-8-16-4-dim256	0.58879	52.542%	0.54497	67.597%	0.49547	81.495%
MobileFaceNet-res4-8-16-4-dim512	0.58492	51.752%	0.54085	67.104%	0.49010	81.836%
MobileFaceNet-res8-16-32-8-dim512	0.58119	61.412%	0.53700	75.520%	0.48997	86.647%

模型\测试集ZQCNN-Face_12000_X_10-40	thresh@ FAR=1e-8	TAR@ FAR=1e-8	thresh@ FAR=1e-7	TAR@ FAR=1e-7	thresh@ FAR=1e-6	TAR@ FAR=1e-6
ArcFace-r34-v2 (非本人训练)	0.61904	45.072%	0.57173	60.964%	0.52062	75.789%
ArcFace-r50(ms1m-refine-v1非本人训练)	0.61412	48.155%	0.56749	63.676%	0.51537	78.138%
ArcFace-r100 (非本人训练)	0.57891	63.854%	0.53337	78.129%	0.48079	89.579%

更多人脸模型请查看Model-Zoo-for-Face-Recognition

表情识别

FacialEmotion 七类表情用Fer2013训练

性别年龄识别

GenderAge-ZQ 使用train-GenderAge训练出来的模型

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

相关文章

(1)人脸特征向量用整数存储精度损失多少？

(2)千万张脸的特征向量，计算相似度提速？

(3)打造一款比mini-caffe更快的Forward库

(4)向量点积的精度问题

(5)ZQCNN支持Depthwise Convolution并用mobilenet改了一把SphereFaceNet-10

(6)跟上时代潮流，发布一些源码

(7)ZQCNN支持SSD，比mini-caffe快大概30%

(8)ZQCNN的SSD支持同一个模型随意改分辨率

(9)ZQCNN格式的99.78%精度的人脸识别模型

(10)ZQCNN增加人脸识别在LFW数据集上的测试代码

(11)抱紧mxnet的大腿，着手写mxnet2zqcnn

(12)大规模人脸测试集，及如何打造自己的人脸测试集

(13)普通卷积、mobilenet卷积、全局平均池化的矩阵描述

(14)ZQ_FastFaceDetector更快更准的人脸检测库

Android编译说明

1. 修改build.sh中的ndk路径和opencv安卓sdk的路径
2. 修改CMakeLists.txt 从原来的 #add_definitions(-march=native) add_definitions(-mfpu=neon) add_definitions(-mfloat-abi=hard) 改为 #add_definitions(-march=native) add_definitions(-mfpu=neon) add_definitions(-mfloat-abi=softfp)
3. 这样应该可以编译两个库ZQ_GEMM和ZQCNN了.如果要编译SampleMTCNN可以按照错误提示修改不能编译的部分,主要是openmp和计时函数.