RV1106部署Insightface：本地体验与复现

fangkaixin

RV1106部署Insightface：本地体验与复现 [复制链接]

在PC上搭建Insightface环境，下载insightface预训练模型，并测试给出的样例代码

InsightFace工程中提供的预训练模型链接可以看前一篇内容（预训练模型和简单介绍）

 

1.考虑到后面转rknn可能要兼容部分环境，还是沿用了之前搭建的conda环境RKNN_Toolkit2，conda active RKNN_Toolkit2

2.下载insightface库和onnxruntime库：

pip install insightface
pip install onnxruntime

3.将预下载的onnx文件解压到models文件夹

mkdir -p ~/.insightface/models/buffalo_l
mv buffalo_l.zip ~/.insightface/models/buffalo_l
cd ~/.insightface/models/buffalo_l
unzip buffalo_l.zip

4.将想测试的图片文件放到指定路径

{$your_conda_path}/envs/RKNN-Toolkit2/lib/python3.8/site-packages/insightface/data/images

5.修改insightface源码路径下examples的demo_analysis.py并进行测试，主要是屏蔽了对人脸数量的校验，修改输入图片名称和输出图片名称

import argparse
import cv2
import sys
import numpy as np
import insightface
from insightface.app import FaceAnalysis
from insightface.data import get_image as ins_get_image

assert insightface.__version__>='0.3'

parser = argparse.ArgumentParser(description='insightface app test')
# general
parser.add_argument('--ctx', default=0, type=int, help='ctx id, <0 means using cpu')
parser.add_argument('--det-size', default=640, type=int, help='detection size')
args = parser.parse_args()

app = FaceAnalysis()
app.prepare(ctx_id=args.ctx, det_size=(args.det_size,args.det_size))

img = ins_get_image('t2')
faces = app.get(img)
#assert len(faces)==6
rimg = app.draw_on(img, faces)
cv2.imwrite("./t2_output.jpg", rimg)

# then print all-to-all face similarity
feats = []
for face in faces:
    feats.append(face.normed_embedding)
feats = np.array(feats, dtype=np.float32)
sims = np.dot(feats, feats.T)
print(sims)

6.执行demo测试

python demo_analysis.py