人脸识别：史上最详细人脸识别adaface讲解-ckpt转onnx模型--第三节

这章节我会讲解的是我在工作上的项目，人脸识别adaface，以下的讲解为个人的看法，若有地方说错的我会第一时间纠正，如果觉得博主讲解的还可以的话点个赞，就是对我最大的鼓励~

上一章节我们讲到了模型的训练与测试，相信大家已经训练好了模型，当然我们训练出来的模型是需要部署到实际项目上面去的，这个就需要把ckpt模型转成onnx模型，由于该作者没有提供转onnx模型的代码，这里我把自己编写的转onnx代码分享给大家。

当然，我们先上代码，对代码进行讲解。
1、首先我们需要填写的参数有4个：
训练出来的模型路径（–ckpt_path）
输出的模型名字（–onnx_name）
主干网络名字（ir_18）
推理图片路径（–image）
2、我们从main函数去看，opencv读取一张图片，并且对图片进行一些格式的转换，最后变成一个4维的tensor。
3、加载训练的主干网络后进行onnx的模型转换。
4、onnx模型出来之后，当然我们需要推理一张图片，推理结果需要跟我们的ckpt模型的输出结果是一致的，这样我们才说onnx模型是对齐的，才能去转其他的模型。

import argparse
import cv2
import numpy as np
import onnxruntime
import torchvision.transforms as transforms
import torch
import netparser = argparse.ArgumentParser(description='onnx inference')
parser.add_argument('--ckpt_path', default=r'./experiments/default_08-01_1/epoch=24-step=142174.ckpt', type=str, required=True, help='')
parser.add_argument('--onnx_name', default='ada_Face_142174', type=str, required=True, help='')
parser.add_argument('--model_name', default=None, type=str, required=True, help='')
parser.add_argument('--onnx_path', default=None, type=str, required=True, help='')
parser.add_argument('--image', default=None, type=str, required=True, help='')
args = parser.parse_args()adaface_models = {'ir_18':r".\experiments\default_08-01_1\epoch=24-step=142174.ckpt".replace('\\','/'),
}
def load_pretrained_model(architecture='ir_18'):# load model and pretrained statedictassert architecture in adaface_models.keys()model = net.build_model(architecture)statedict = torch.load(adaface_models[architecture])['state_dict']model_statedict = {key[6:]:val for key, val in statedict.items() if key.startswith('model.')}model.load_state_dict(model_statedict)model.eval()return modeldef l2_norm(x):""" l2 normalize"""output = x / np.linalg.norm(x)return outputdef to_numpy(tensor):return tensor.detach().cpu().numpy() if tensor.requires_grad else tensor.cpu().numpy()def get_test_transform():test_transform = transforms.Compose([    transforms.ToTensor(),    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])])return test_transformdef main():# img = cv2.imread(args.image)# img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# img = get_test_transform()(img)# img = img.unsqueeze_(0)# print(img.shape)img1 = cv2.imread(args.image)img1 = np.expand_dims(img1, axis=0)img1 = img1.astype(np.float32)img1 = img1.transpose(0, 3, 1, 2)img1 = torch.from_numpy(img1)model = load_pretrained_model('ir_18')model.eval()torch_out = model(img1)torch.onnx.export(model,img1,"%s.onnx" % args.onnx_name,export_params=True,opset_version=11,do_constant_folding=True,input_names=['input'],output_names=['output'])print("finished")onnx_path = args.onnx_pathsession = onnxruntime.InferenceSession(onnx_path)inputs = {session.get_inputs()[0].name: to_numpy(img1)}outs = session.run(None, inputs)[0]# print(outs.shape)outs = l2_norm(outs).squeeze()num = torch_out[0].detach().numpy() * outsde1 = np.linalg.norm(torch_out[0].detach().numpy()) * np.linalg.norm(outs)print(np.sum(num) / de1)if __name__ == '__main__':main()

现在，我们的onnx模型推理结果与ckpt模型的推理结果需要做一个余弦相似度的对比，如果结果无限接近于1，那证明两边的模型结果对齐。

这里我们可以看到torch_out和outs的值，感官上看是对齐的，但是我们还需要进行余弦相似度的对比。
结果输出为1，证明两边的模型是对齐的，这样我们就可以往下面的模型去转换了。

到这里我们的ckpt模型转onnx模型已经告一段落啦，相信大家都已经完成了这不操作，接下来我会分享我自己对该adaface网络的一个详细解答。希望大家能多多支持。如果觉得博主讲解的可以的话，点个赞就是我最大的动力，谢谢～

人脸识别：史上最详细人脸识别adaface讲解-ckpt转onnx模型--第三节相关推荐

人脸识别：史上最详细人脸识别adaface讲解-模型训练与测试--第二节
这章节我会讲解的是我在工作上的项目,人脸识别adaface,以下的讲解为个人的看法,若有地方说错的我会第一时间纠正,如果觉得博主讲解的还可以的话点个赞,就是对我最大的鼓励~ 上一章节,我们谈到了如何下 ...
人脸检测：史上最详细人脸检测libfacedetection讲解-网络详解--第二节
以下是关于我个人对libfacedetection(人脸检测-pytorch)的所有见解,如有错误欢迎大家在评论区指出,我将会第一时间纠正.据说,人脸检测速度可以达到1000FPS,到底结果如何,我们 ...
python用什么来写模块-史上最详细的python模块讲解
模块的概念你一定不会陌生吧,这是一个非常宽泛的概念,在各行各业都会用到.这里我们涉及的只是软件中的模块概念.说到模块,就得先了解下模块化程序设计的概念.(如果您对模块化程序设计的概念已经烂熟于心,尽可 ...
模糊度判断：史上最详细图像质量评价（IQA）-训练自定义数据集--第三节
这章节我会讲解的是我在工作上自己开发的项目,模糊度判断,该项目我是将图像质量评价论文–hypernet网络移植到mmclassification中进行图片质量评估,若有地方说错的我会第一时间纠正,如果 ...
3、史上最详细的电子元器件知识讲解
知名电阻电容生产厂家 MURATA(村田).TDK.AVX.Nichicon (尼吉康株式会社).Taiyo-Yuden(太阳诱电).三星(Samsung).达方.国巨股份有限公司(YAGEO).PH ...
史上最详细唇语识别数据集综述
更新:VIPL官网网页格式更改,导致旧的LRW1000链接无法访问,现已更新LRW1000数据集链接,内部包含申请需要的文件推荐一个大佬的综述,关于实现唇语识别的多种途径. 说明:本文包括经常用语唇 ...
史上最详细唇语识别最新研究进展记录
本文是唇语识别近2年来最新的方法的记录,主要集中在中英文词级数据集如LRW,LRW-1000,英文句子级数据集如LRS2,英文短语级数据集如OuluVS2,以及其他一些数据集. 记录方法为1.简要翻译 ...
史上最详细LRW数据集、LRW-1000数据集、LRS2数据集、LRS3-TED数据集、OuluVS2数据集介绍
update 2022-10-22: 更新了LRW1000的官网链接详见史上最详细唇语识别数据集综述本文将介绍唇语识别领域使用最多的几个数据集. 一.本文将详细的介绍数据集的格式以及处理方法,欢迎在 ...
史上最详细 Lipreading using Temporal Convolutional Networks 环境配置
唇语识别是目前人工智能领域比较热门的应用之一,本文将在之后的内容中介绍2020年英文词汇级唇语识别在LRW(Lir Reading in the Wild)数据集以及LRW-1000两个数据集上实现S ...

人脸识别：史上最详细人脸识别adaface讲解-ckpt转onnx模型--第三节

这章节我会讲解的是我在工作上的项目，人脸识别adaface，以下的讲解为个人的看法，若有地方说错的我会第一时间纠正，如果觉得博主讲解的还可以的话点个赞，就是对我最大的鼓励~

到这里我们的ckpt模型转onnx模型已经告一段落啦，相信大家都已经完成了这不操作，接下来我会分享我自己对该adaface网络的一个详细解答。希望大家能多多支持。如果觉得博主讲解的可以的话，点个赞就是我最大的动力，谢谢～

人脸识别：史上最详细人脸识别adaface讲解-ckpt转onnx模型--第三节相关推荐

最新文章

热门文章