Skip to content

使用retinaface完成车牌关键点检测,并在tensorRT下部署

Notifications You must be signed in to change notification settings

Fanghc95/Plate-Landmarks-detection

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

54 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

基于Pytorch_Retinaface的车牌定位及关键点检测

本项目基于Pytorch_Retinaface修改,完成车牌的定位及四个关键点检测(车牌的左上,右上,右下及左下角点),以此通过透视变换完成车牌的对齐,可使用mobilenet0.25或resnet50作为骨干网络进行实现。

本项目已集成TensorRT部署方案,训练后的Retinaface模型可部署在C++的TensorRT环境下,实现GPU推理加速。

如果该项目对你有所帮助,点个星星吧

使用

说明:本项目训练用数据集格式参考widerface进行制作

克隆工程

  1. git clone https://github.com/Fanghc95/Plate-keypoints-detection.git

  2. Pytorch version 1.1.0+ and torchvision 0.3.0+ are needed.

  3. Codes are based on Python 3

准备数据

该项目数据集基于widerface制作,其目录格式如下

  ./data/widerface/
    train/
      images/
      label.txt
    val/
      images/
      wider_val.txt

train为训练数据文件夹,val为验证数据文件夹,文件夹下images目录放入图像数据,txt文件为标签数据

txt标签格式如下:

  # [image name]
  x y w h x1 y1 0.0 x2 y2 0.0 x3 y3 0.0 x4 y4 0.0 

每张图像数据占两行,第一行标识图像文件命,第二行(x,y)为车牌检测框左上角坐标,(w,h)为车牌检测框的宽,高。(x1,y1)-(x4,y4)依次表示车牌左上,右上,右下,左下四个角点的坐标

训练

本项目提供基于restnet50和mobilenet0.25为骨干网络的模型训练。这里提供原项目预训练的Mobilenet0.25模型百度 密码:mkjt。下载的模型放在./weights目录下。

网盘链接中的Resnet50_epoch_40.pth及mobilenet0.25_epoch_15.pth是我使用CCPD数据训练的模型,该模型训练迭代次数未完全结束,但由于训练数据量比较大,目前训练的模型已具有一定的检测效果,可直接在detect.py中进行测试。

  1. 训练之前,可在 data/config.py and train.py中对训练的一些参数进行修改,例如GPU数量,batch_size等参数。

  2. 训练模型(例子图如下):

CUDA_VISIBLE_DEVICES=0,1,2,3 python train.py --network resnet50 or
CUDA_VISIBLE_DEVICES=0 python train.py --network mobile0.25
  1. 模型将保存在./weights

测试

python detect.py --trained_model [weight_file] \
                 --network [mobile0.25 or resnet50] \
                 --input [path to test_image]

其他输入参数具体查看./detect.py,检测结果保存到./res.jpg

TensorRT

本项目根据TensorRT工程对retinaFace的TensorRT部署代码进行修改,使该工程能为车牌任务服务。

具体流程:

 #执行detect.py后,将生成retinaface.pth 文件,使用该模型参数文件生成wts文件
 python genwts.py
 #生成retinafacePlate.wts文件
 mv retinafacePlate.wts ./trt #将生成的wts文件移入TensorRT工程目录
 cd ./trt #进入TensorRT工程目录
 #编辑CMakeLists.txt,配置TensorRT路径
 mkdir build && cd build
 cmake ../ && make -j8 #编译工程
 ./retina_mnet -s #根据wts文件生成engine文件
 ./retina_mnet -d #执行engine文件,加载并测试当前目录下test.jpg,输出检测结果图像

目前该项目仅修改了基于MobileNet的Retinaface部署代码,大家多多Star。后续会更新ResNet50的

后续优化: 1.自定义输入测试图像名称 2.支持Resnet50部署方案

引用

@inproceedings{deng2019retinaface,
title={RetinaFace: Single-stage Dense Face Localisation in the Wild},
author={Deng, Jiankang and Guo, Jia and Yuxiang, Zhou and Jinke Yu and Irene Kotsia and Zafeiriou, Stefanos},
booktitle={arxiv},
year={2019}

About

使用retinaface完成车牌关键点检测,并在tensorRT下部署

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published