【ncnn android】算法移植（八）——终于移植成功了DBface

本文主要是介绍【ncnn android】算法移植（八）——终于移植成功了DBface，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1. 效果

先上效果，密集。

2.路线

• pytorch2onnx
• 解决bilinear2d上采样问题
• 编译ncnn
• 创建项目，导入libncnn，完善DBface的推理代码
• 解决nms有重框的问题

3. 具体事项

1. 图像预处理：((image / 255 - mean) / std).astype(np.float32)
   项目初始调试成功的时候，结果和DBface.pytorch推理的结果有很大差距。从以下几个方面进行了检验。

• 后面对导出的onnx模型进行了检验
• 对onnx2ncnn的导出进行了检查
• 检查ncnn项目的数据预处理
  • 最后发现是数据预处理部分的问题。问题出在in.substract_mean_normalize，其中的源码是 × norm_value，所以需要对DBface的std_value取倒
  • 其次是image/255这部分，最初是cv::Mat image/255发现还是有问题，后面是先cv::Mat > ncnn::Mat，然后再 / 255.

对应的ncnn项目代码：

// 1. DBface的std取倒数
const float mean_value[3] = {0.408f, 0.447f, 0.47f};
const float std_value[3] = {1/0.289f, 1/0.274f, 1/0.278f};// 2.先转到ncnn::Mat,再/255
in = ncnn::Mat::from_pixels(image.data, ncnn::Mat::PIXEL_BGR, image.cols, image.rows);int c, h, w;
c = in.c;
h = in.h;
w = in.w;
float *data = (float *)(in.data);
for (int i = 0; i < c; ++i) {for (int j = 0; j < h; ++j) {for (int k = 0; k < w; ++k) {data[i*h*w + j*w + k] /= 255;}}
}in.substract_mean_normalize(mean_value, std_value);

TO DO

• 移植到android
• 使android项目支持GPU
• 速度测试报告

这篇关于【ncnn android】算法移植（八）——终于移植成功了DBface的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---