算法部署-使用TensorRT+Retinaface实现车牌关键点检测算法-优质算法部署项目实战.zip

# 基于Pytorch_Retinaface的车牌定位及关键点检测 本项目基于[Pytorch_Retinaface](https://github.com/biubug6/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 ### 获取工程 1. get the pro 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 ```Shell ./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： ```Shell # [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](https://pan.baidu.com/s/1ewT-Nyn7bUXWaV_0UEJfDw) 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）: ```Shell CUDA_VISIBLE_DEVICES=0,1,2,3 python train.py --network resnet50 or CUDA_VISIBLE_DEVICES=0 python train.py --network mobile0.25 ``` 3. 模型将保存在``./weights``下 ### 测试 ```Shell 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`` <p align="center"><img src="res/rest1.jpg" width="570"\></p> <p align="center"><img src="res/res2.jpg" width="570"\></p> <p align="center"><img src="res/res3.jpg" width="570"\></p> ### TensorRT 本项目根据[TensorRT](https://github.com/wang-xinyu/tensorrtx/tree/master/retinaface)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： ```Shell #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