基于UltraFace的人脸检测在地平线旭日X3派上的部署和测试（Python版本和C++版本）

电脑端的测试环境搭建

如果不想再搭建环境和测试代码bug上浪费更多的时间可以直接获取本人的测试虚拟机，所有的测试代码、虚拟环境和板端测试工程以全部打包到了虚拟机，需要的可以通过网盘获取：

代码和虚拟机百度网盘链接：

链接：https://pan.baidu.com/s/15Np6Hn4_WuFDqcQ40aCe7A 提取码：j1ez 

640是分辨率640*480，支持pytho和c++

320是分辨率320*240，支持python

github：GitHub - Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB: 💎1MB lightweight face detection model (1MB轻量级人脸检测模型)

以下是以320分辨率测试为主

640分辨率测试参见----金书世界

搭建开发环境

#创建虚拟环境
conda create -n UltraFace python=3.6
conda activate UltraFace

pth模型测试

#测试路径
cd /home/kkx3/wyj/UltraFace/Ultra-Light-Fast-Generic-Face-Detector-1MB-master
#测试指令
python run_video_face_detect.py  --test_device cpu  

pth模型转onnx模型

#测试路径
cd /home/kkx3/wyj/UltraFace/Ultra-Light-Fast-Generic-Face-Detector-1MB-master
#模型转换指令
python convert_to_onnx.py

需要配置模型的输入输出路径

onnx模型转换bin模型

#激活虚拟环境
conda activate x3model
#测试路径
cd /home/kkx3/wyj/x3/TransModel/horizon_model_convert_sample/04_detection/08_Face_RFB/mapper
#模型转换
bash 01_check.sh
bash 02_preprocess.sh
bash 03_build.sh

需要配置文件

1、01_check.sh，修改模型路径

2、02_preprocess.sh修改测试图片路径

3、RFB_config.yaml修改配置文件

4、03_build.sh，修改模型路径

5、输出的模型路径

python版本板端测试

6、链接开发板，复制模型问文件到板端

#测试路径
cd /app/pydev_demo/14_FaceRFB_sample
#测试指令
./test_yolov5.py

测试图片和结果在当前的路径下

c++版本板端测试

以更新但是不支持240*320分辨率的仅支持640*480分辨率  参考：基于UltraFace的人脸检测在地平线旭日X3派上的部署和测试（Python版本和C++版本）---金书世界

测试：当前测试仅支持python版本，由于当前的模型输出是320*240的分辨率，C++版本不支持宽度是320的分辨率，后续调整分辨率后更新C++版本