一款推理框架，同时有很多有用的demo，觉得好用请点星啊
English | 中文
ZQCNN是一款推理框架，可以在windows, linux 和 arm-linux下运行。同时有一些人脸检测、识别相关的demo。
MKL下载地址:此处下载
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
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: #endifpytorch训练SSD: https://github.com/zuoqing1988/pytorch-ssd-for-ZQCNN
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
2022-08-18日更新: 优化了视频模式下人脸106点pipeline，新加入了一个头部姿态视线模型
demo程序在SampleVideoFaceDetection_Interface.cpp
原始106点pb模型和头部姿态视线pb模型在TensorFlow_to_ZQCNN里
2022-04-20日更新: 支持pytorch-ssd-for-ZQCNN训练的SSD模型
2020-05-08日更新: 添加文字识别示例SampleOCR
暂时还没有文字检测能力，需要输入的图是裁剪好的
模型下载地址
链接：https://pan.baidu.com/s/1O75LRBjXWwPXqAshLMJV3w 提取码：f2q82020-03-22日更新: 提供一组可以检测到带口罩的人脸的MTCNN模型
model\det1-dw20-plus.zqparams
model\det1-dw20-plus.nchwbin
model\det2-dw24-p0.zqparams
model\det2-dw24-p0.nchwbin
model\det3-dw48-p0.zqparams
model\det3-dw48-p0.nchwbin2019-07-08日更新：ZQCNN模型转MNN模型代码
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
2019-01-04日更新：庆祝达到400星，发放快速人脸模型
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。
人脸检测
MTCNN-author-version 从MTCNN转的格式
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
No open issues yet, or sync has not completed.