如何提高python下的dlib人脸检测速度

Posted 2023-05-05

主要针对dlib自带的检测器

参考技术A Dlib is capable of detecting faces in very small areas (80x80 pixels). You are probably sending raw WebCam frames at approximately 1280x720 resolution, which is not necessary. I recommend from my experience to reduce the frames about a quarter of the original resolution. Yes, 320x180 is fine for Dlib. In consequence you will get 4x speed.

· try turning on the compilation optimizations while building Dlib, you will get significantly improvement in speed.

· Dlib works faster with grayscale images. You do not need the color on the webcam frame. You can use OpenCV to convert into grayscale the previously reduced in size frame.

· Dlib takes its time finding faces but is extremely fast finding landmarks on faces. Only if your Webcam provides a high framerate (24-30fps), you could skip some frames because faces normally doesn't move so much. 参考技术B 无法提高速度，因为dIib内核算法是c写的，Py只是调用它而已。如果说有办法的话，那就是换性能更好的电脑本回答被提问者采纳 参考技术C 优化算法。。

MTCNN 与 DLIB 相比如何进行人脸检测？

【中文标题】MTCNN 与 DLIB 相比如何进行人脸检测？

【英文标题】：How does MTCNN perform vs DLIB for face detection?

【发布时间】：2018-06-09 10:18:46

【问题描述】：

我看到 MTCNN 被推荐，但没有看到 DLIB 和 MTCNN 的直接比较。

我认为既然 MTCNN 使用神经网络，它可能更适合更多用例，但也有一些令人惊讶的可怕边缘情况？

有没有人对错误率、不同条件下（GPU 和 CPU）下的性能以及两者的一般眼球观察进行过分析？

【问题讨论】：

@davis-king 有什么评论吗？我很想看看 MTCNN 与 dlib CNN 之间的比较

我已经更新了我的答案，通过 FDDB 准确性测试和性能测试，希望它有所帮助（它花了我几个小时）。 @RahibeMeryem

您可以在此处查看关于 dlib 的 CNN 如何在 FDDB 上执行的一些讨论，以供参考：blog.dlib.net/2016/10/easily-create-high-quality-object.html。也可以在这里查看我的 cmets：github.com/davisking/dlib/issues/1410

我不这么认为，看到这个问题的任何人都可以看到github链接。我使用 face_recogniton py lib 测试 FDDB 来检测人脸（使用 dlib 进行人脸检测）。而且我不认为我做错了什么。如果有什么问题是 py face_recogniton github.com/ageitgey/face_recognition 错的不是我。

我已将我的 C++ dlib 测试代码发布到 github.com/davisking/dlib/issues/1410

【参考方案1】：

你可以看看 Timesler 这个惊人的 kaggle 笔记本。在 facenet-pytorch、DLIB 和 MTCNN 之间进行比较。

https://www.kaggle.com/timesler/comparison-of-face-detection-packages

“在启用 GPU 支持的情况下，测试每个包在 300 张图像（一个视频的所有帧）中检测人脸的速度。检测以 3 种不同的分辨率进行。

任何一次性初始化步骤，例如模型实例化，都在性能测试之前执行。”

【参考方案2】：

您可以轻松地在 deepface 中对其进行测试。我的实验表明 mtcnn 的性能优于 dlib。

#!pip install deepface
from deepface import DeepFace
backends = ['opencv', 'ssd', 'dlib', 'mtcnn']
DeepFace.detectFace("img.jpg", detector_backend = backends[0])