moli232777144/mtcnn_ncnn moli232777144/mtcnn_ncnn

  • Stars
    star
    522
  • Rank 84,811 (Top 2 %)
  • Language
    C++
  • Created almost 7 years ago
  • Updated about 6 years ago
Twitter logo Share LinkedIn logo Share Facebook logo Share
moli232777144/mtcnn_ncnn
github

moli232777144

Reviews

There are no reviews yet. Be the first to send feedback to the community and the maintainers!

Repository Details

基于ncnn框架搭建win及android端的MTCNN人脸检测工程

2018.5.22更新：

针对部分场景仅需检测最大的单人脸，新增最大人脸检测测试接口，不同场景整体速度波动将会更大，但单人脸场景提升较明显；

2018.5.16更新：

  • 更新win端及android端的ncnn版本；

2018.4.12更新：

  • ncnn最新的3.14版本；
  • 增加可调参数设置接口及界面,方便测试；

image

附录：MTCNN的ARM端时间测试 （1000次测试图640*480最小人脸40三层网络阈值｛0.8，0.8，0.6｝）

高通625 Max Min Avg
单线程 174.95 144.18 153.49
双线程 289.58 89.07 97.25
四线程 269.85 64.10 70.94
八线程 323.93 53.63 65.67

ps：速度测试波动存在一定误差，欢迎issus里提交测试结果；

2018.3.6更新：mtcnn_AS更新至ncnn最新的1.29版本；

附录：MTCNN的ARM端时间测试 （1000次测试图640*480最小人脸40三层网络阈值｛0.8，0.8，0.6｝）

高通625 Max Min Avg
单线程 157.65 137.11 144.90
双线程 101.68 83.29 87.29
四线程 75.21 59.58 63.14
八线程 277.33 47.83 54.29

前言

ncnn是腾讯优图在七月份开源的，一款手机端极致优化的前向计算框架；开源有几个月了，仍然是开源里的扛把子（给nihui大佬递茶）。之前也测试移植过，这次主要做个整理，鉴于很多人只想在window下搭建并调试，本次主要基于MTCNN的人脸检测例子，进行一次该框架的搭建，构建流程主要采用脚本编写，目的在于简单演示下流程操作；

主要环境：

  • git
  • cmake
  • vs2015
  • android studio

PC端调试：

使用windows的pc端调试，繁琐的是依赖库的生成和引用。依赖库中Protobuf是caffe的模型序列化存储的规则库，将caffe框架转ncnn框架模型用到，另外opencv库主要用于范例的图像读取操作，可自己配置，或直接使用个人在3rdparty文件夹下编译好的库；

  1. 下载源码并更新子模块,protobuf源码库比较大，更新会比较慢
git clone https://github.com/moli232777144/mtcnn_ncnn.git
git submodule update --init
  1. 编译protobuf 调用tools下的protobuf脚本编译:
cd ../3rdparty/src/protobuf/cmake
mkdir build
cd build
cmake .. -Dprotobuf_BUILD_TESTS=OFF -Dprotobuf_MSVC_STATIC_RUNTIME=OFF -G "Visual Studio 14 2015 Win64"
pause

vs2015打开./3rdparty/src/protobuf/cmake/build下的protobuf.sln工程，编译Debug及Release版本；

调用tools下的copyProtobuf脚本，生成protobuf的依赖库到第三方公共文件夹3rdparty下。

  1. 编译ncnn

修改tools下的ncnn.bat工具，将DProtobuf几个参数替换为自己编译后的protobuf相关目录

cd ../3rdparty/src/ncnn
mkdir build
cd build
cmake .. -G"Visual Studio 14 2015 Win64" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -DProtobuf_INCLUDE_DIR=F:\mtcnn_ncnn\3rdparty\include -DProtobuf_LIBRARIES=F:\mtcnn_ncnn\3rdparty\lib\libprotobuf.lib -DProtobuf_PROTOC_EXECUTABLE=F:\mtcnn_ncnn\3rdparty\bin\protoc.exe
pause

运行后生成ncnn.sln工程, 生成解决方案，编译Release版本； 编译后，build目录下生成的src中包含ncnn.lib库，tools里有caffe以及mxnet的转换工具； 为了以后方便使用，调用下copyNcnn.bat统一放到公共目录3rdparty目录下，主要移动了caffe2ncnn的exe文件，ncnn的lib库及.h头文件；

cd ..
set path=%cd%
copy %path%\3rdparty\src\ncnn\build\tools\caffe\Release\caffe2ncnn.exe %path%\3rdparty\bin\caffe2ncnn.exe
copy %path%\3rdparty\src\ncnn\build\src\Release\ncnn.lib %path%\3rdparty\lib\ncnn.lib

mkdir %path%\3rdparty\include\ncnn
copy %path%\3rdparty\src\ncnn\build\src\layer_type_enum.h %path%\3rdparty\include\ncnn\layer_type_enum.h
copy %path%\3rdparty\src\ncnn\build\src\layer_registry.h %path%\3rdparty\include\ncnn\layer_registry.h
copy %path%\3rdparty\src\ncnn\build\src\layer_declaration.h %path%\3rdparty\include\ncnn\layer_declaration.h
copy %path%\3rdparty\src\ncnn\build\src\platform.h %path%\3rdparty\include\ncnn\platform.h

copy %path%\3rdparty\src\ncnn\src\layer.h %path%\3rdparty\include\ncnn\layer.h
copy %path%\3rdparty\src\ncnn\src\blob.h %path%\3rdparty\include\ncnn\blob.h
copy %path%\3rdparty\src\ncnn\src\cpu.h %path%\3rdparty\include\ncnn\cpu.h
copy %path%\3rdparty\src\ncnn\src\mat.h %path%\3rdparty\include\ncnn\mat.h
copy %path%\3rdparty\src\ncnn\src\net.h %path%\3rdparty\include\ncnn\net.h
copy %path%\3rdparty\src\ncnn\src\opencv.h %path%\3rdparty\include\ncnn\opencv.h
copy %path%\3rdparty\src\ncnn\src\paramdict.h %path%\3rdparty\include\ncnn\paramdict.h
copy %path%\3rdparty\src\ncnn\src\modelbin.h %path%\3rdparty\include\ncnn\modelbin.h

pause
  1. 编译调试MTCNN

接下来首先可以开始转换MTCNN的caffe模型，调用格式为：

caffe2ncnn.exe xx.prototxt xx.caffemodel xx.param xx.bin 启动mtcnn2ncnn.bat脚本，即可将mtcnn目录下的model文件都转化为ncnn模型存储方式(如果项目存在旧版prototxt需使用caffe项目中的upgrade_net_proto_text与upgrade_net_proto_binary进行新版转换)。

cd ..
set path=%cd%
%path%\3rdparty\bin\caffe2ncnn.exe %path%/mtcnn/model/det1.prototxt %path%/mtcnn/model/det1.caffemodel %path%/mtcnn/model/det1.param %path%/mtcnn/model/det1.bin
%path%\3rdparty\bin\caffe2ncnn.exe %path%/mtcnn/model/det2.prototxt %path%/mtcnn/model/det2.caffemodel %path%/mtcnn/model/det2.param %path%/mtcnn/model/det2.bin
%path%\3rdparty\bin\caffe2ncnn.exe %path%/mtcnn/model/det3.prototxt %path%/mtcnn/model/det3.caffemodel %path%/mtcnn/model/det3.param %path%/mtcnn/model/det3.bin

一切看似很顺利，麻烦的是，mtcnn模型是caffe+matlab训练的，生成的是col-major模型，与ncnn模型默认的row-major不匹配，参考 ElegantGod的ncnn的ncnn改进，提取了其中转化准则文件，放tools目录下的caffe2ncnn.cpp文件，接着替换ncnn的tools/caffe同文件，重新生成caffe2ncnn.exe，并依次执行一次以上模型转换步骤。（ps:models下已包含转换好的模型）

生成正确的ncnn模型后，主要就是建立vs工程进行调试，可以vs新建工程，添加包含目录导入3rdparty的opencv及ncnn头文件目录，接着在链接器里添加两者的lib库引用；

当然为了更好学习脚本，个人仍采用cmake的构建方式，MTCNN源码主要基于Longqi-S的linux版本就行修改，ncnn的使用方法也可以多参考下ncnn源码目录的example例子；

CmakeList.txt编译介绍如下：

#1.cmake verson，指定cmake的最小版本号 
cmake_minimum_required(VERSION 2.8)

#2.project name，指定项目的名称，一般和项目的文件夹名称对应
project(mtcnn_ncnn C CXX)

#3.set environment variable，设置环境变量
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")

#4.include头文件目录 
include_directories(${CMAKE_CURRENT_LIST_DIR}/3rdparty/include/Opencv
          ${CMAKE_CURRENT_LIST_DIR}/3rdparty/include/Opencv/opencv
          ${CMAKE_CURRENT_LIST_DIR}/3rdparty/include/Opencv/opencv2
          ${CMAKE_CURRENT_LIST_DIR}/3rdparty/include/ncnn
                    ${CMAKE_CURRENT_LIST_DIR}/src)

#5.library目录及name名称
link_directories(${CMAKE_CURRENT_LIST_DIR}/3rdparty/lib)
list(APPEND MTCNN_LINKER_LIBS opencv_world320 ncnn)

#6.source directory源文件目录
file(GLOB MTCNN_SRC ${CMAKE_CURRENT_LIST_DIR}/src/*.h
                    ${CMAKE_CURRENT_LIST_DIR}/src/*.cpp)
set(MTCNN_COMPILE_CODE ${MTCNN_SRC})

#7.1.add executable file，编译为可执行文件
add_executable(mtcnn_ncnn ${MTCNN_COMPILE_CODE})
#7.2.add library file，编译为动态库
# add_library(mtcnn_ncnn SHARED ${MTCNN_COMPILE_CODE})

#8.add link library，添加工程所依赖的库
target_link_libraries(mtcnn_ncnn ${MTCNN_LINKER_LIBS})

同样的，为了构造工程，执行ncnnBuild.bat的脚本创建vs2015工程

cd ..
mkdir vs2015
cd vs2015
cmake .. -G"Visual Studio 14 2015 Win64" -DCMAKE_BUILD_TYPE=Release
pause

创建打开vs2015目录下可生成mtcnn—ncnn.sln,编译Rlease版本，缺少的dll文件可在3rdpatry的bin目录找到；

对应自己的模型，结合ncnn的example的范例，多熟悉下ncnn的模型导入及前置计算，pc端的调试测试就大概完成了。

附粗略实测时间（战神z7）：

pc端速度 时间
squeezenet（原始例子） 298ms
mtcnn（最小人脸40） 32ms

安卓端调试：

ncnn的安卓端源码范例主要采用的mk文件构造，win开发安卓端大家通常使用AS的cmake来构造工程，下面主要简单介绍相关流程，具体细节参考mtcnnn-AS工程；

  1. 新建工程 参考网上配置andorid studio的c++混编环境，新建一个mtcnn—AS的工程；

  2. 配置相关文件位置（ps：最新的lib会更快）

    • 下载ncnn的release里的安卓端lib，或者调用tools/build_android.bat
    • 将arm端的.a文件放至相关jniLibs对应目录下；
    • include的头文件放至cpp目录下；
    • 将mtcnn的c++的接口文件放在cpp目录下；

  3. 新建jni接口文件，相关方法自行参考网上其他教程；

  4. CmakeList文件的编写：

cmake_minimum_required(VERSION 3.4.1)

#include头文件目录
include_directories(src/main/cpp/include
                    src/main/cpp/)

#source directory源文件目录
file(GLOB MTCNN_SRC src/main/cpp/*.h
                    src/main/cpp/*.cpp)
set(MTCNN_COMPILE_CODE ${MTCNN_SRC})

#添加ncnn库
add_library(libncnn STATIC IMPORTED )
set_target_properties(libncnn
  PROPERTIES IMPORTED_LOCATION
  ${CMAKE_SOURCE_DIR}/src/main/jniLibs/${ANDROID_ABI}/libncnn.a)

#编译为动态库
add_library(mtcnn SHARED ${MTCNN_COMPILE_CODE})

#添加工程所依赖的库
find_library(  log-lib log )
target_link_libraries(  mtcnn
                       libncnn
                       jnigraphics
                       z
                       ${log-lib} )

5.成功编译mtcnn的so库，在安卓的MainActivity编写接口使用的相关操作；

ps:android6.0以上机型，部分会出现模型读写到sd卡因权限失败问题; 若所有图像均未检测到人脸，请检测下sd下是否存储模型的mtcnn目录。

附粗略实测时间（高通625）：

安卓端速度 时间
squeezenet（原始例子） 121ms
mtcnn（最小人脸40） 47ms

More Repositories

1

mobilefacenet-mxnet

基于insightface训练mobilefacenet的相关步骤及ncnn转换流程
Batchfile
264
star
2

seetaface2_demo

seetaface第二版sdk包相关测试范例工程，无源码工程
Java
33
star
3

small_model_face_recognition

针对移动端的人脸识别需求，训练测试一些相关的小模型实验。
MATLAB
26
star