视频展示检测效果

由于训练的Epoch较少，检测效果并不是很理想。大家可以自己去调参来提升检测效果。
https://www.bilibili.com/video/BV1hZ4y1H7f9/

person-detector

环境搭建

1. 首先安装pytorch环境。pytorch版本1.2及以上版本。

   conda install pytorch torchvision cudatoolkit=10.1 -c pytorch //安装最新pytorch1.5 

2. 安装编译MNN。
   2.1. MNN安装过程请参考我的博客
   2.2. 安装包安装完成之后会在MNN/build文件夹里面生成一个libMNN.so文件，需要将这个文件复制到person-detector/MNN/mnn/lib进行替换。
3. 其他安装包安装。

   conda install 安装包
   or
   pip install 安装包

   测试过程

   python测试教程

4. 直接运行detect_imgs.py就可以检测imgs文件夹里面的图片。

   python detect_imgs.py

   MNN中测试过程

   首先需要对person-detector/MNN进行编译

5. 将person-detector/MNN/build删除。
6. 然后建立build文件，重新进行编译。

   cd person-detector/MNN
   mkdir build
   cd build
   cmake ..
   make -j8

   运行MNN中python版本

7. cd person-detector/MNN/python
8. python person-detector-pic.py --imgs_path ../imgs # 检测图片，可以在person-detector-pic.py里面修改图片测试路径。
9. python person-detector-video.py # 检测视频，可以在person-detector-video.py里面修改视频测试路径。

   #### 运行MNN中C++版本
   ```bash
   cd build
   ./Ultra-face-mnn ../model/version-RFB/617-1.mnn ../imgs/timg.jpg

   # 量化之后的版本
   cd build
   ./Ultra-face-mnn ../model/version-RFB/617-1-sq.mnn ../imgs/timg.jpg

   训练过程

   数据集准备

10. 训练数据集采用的是VOC格式的数据集。训练数据集路径可以在train-version-RFB.sh里面修改。
11. 使用脚本可以将coco数据集转成VOC格式且只有行人检测框的数据集。
    COCO数据集转VOC数据集只包含行人的转换教程

    运行训练

    bash train-version-RFB.sh

    模型转换

12. pth模型转onnx模型，在转模型之间需要将person-detector/version/ssd/ssd.py进行修改,修改成下面的样子。

        if self.is_test:
            confidences = F.softmax(confidences, dim=2)
            boxes = locations
            #boxes = box_utils.convert_locations_to_boxes(
            #    locations, self.priors, self.config.center_variance, self.config.size_variance
            #)
            #boxes = box_utils.center_form_to_corner_form(boxes)
            return confidences, boxes

    然后再运行转换文件。

    python convert_to_onnx.py

13. 将onnx模型转成mnn模型
    2.1 进到主目录下的MNN/build文件里面（不是person-detector/MNN文件）
    2.2 运行MNNConvert来转换模型

    ./MNNConvert -f ONNX --modelFile XXX.onnx --MNNModel XXX.mnn --bizCode biz

14. 模型的INT8量化 3.1 编译MNN的量化工具。

    cd MNN/build
    cmake .. -DMNN_BUILD_QUANTOOLS=on
    make -j8

    3.2 构建一个pretreatConfig.json文件，代码如下：

    {
    "format":"RGB",
    "mean":[
        127.5,
        127.5,
        127.5
    ],
    "normal":[
        0.00784314,
        0.00784314,
        0.00784314
    ],
    "width":224,
    "height":224,
    "path":"path/to/images/",
    "used_image_num":500,
    "feature_quantize_method":"KL",
    "weight_quantize_method":"MAX_ABS"
    }

    3.3 在MNN/build里面运行量化程序。

    ./quantized.out XXX.mnn XXX-INT8.mnn pretreatConfig.json

    最后感谢下面的作者

    https://www.yuque.com/mnn/cn/tool_quantize
    https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
    https://github.com/ruinmessi/RFBNet