关于提取脸部速度问题的解决

DFL小白02

day270010678 发表于 2026-1-7 21:13
那个时候刚开始接触，没研究过他代码，现在就这种对称的问题，解决法子多了去了，比方说降低阀值，最佳法 ...

我想了一下你说的修改旋转逻辑的法子，首先这样原来训练的模型肯定就不能用了不然基本会闪烁。另外博主你也没实际真去改吧，我感觉要是真好弄的话彼得罗夫也就不会留个bug在这了

day270010678

DFL小白02 发表于 2026-1-9 10:26
我想了一下你说的修改旋转逻辑的法子，首先这样原来训练的模型肯定就不能用了不然基本会闪烁。另外博主你 ...

1. conv1_1.weight                           | 形状: [64, 3, 3, 3]        | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
2. conv1_1.bias                             | 形状: [64]                 | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
3. conv1_2.weight                           | 形状: [64, 64, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
4. conv1_2.bias                             | 形状: [64]                 | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
5. conv2_1.weight                           | 形状: [128, 64, 3, 3]      | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
6. conv2_1.bias                             | 形状: [128]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
7. conv2_2.weight                           | 形状: [128, 128, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
8. conv2_2.bias                             | 形状: [128]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
9. conv3_1.weight                           | 形状: [256, 128, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
10. conv3_1.bias                             | 形状: [256]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
11. conv3_2.weight                           | 形状: [256, 256, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
12. conv3_2.bias                             | 形状: [256]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
13. conv3_3.weight                           | 形状: [256, 256, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
14. conv3_3.bias                             | 形状: [256]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
15. conv4_1.weight                           | 形状: [512, 256, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
16. conv4_1.bias                             | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
17. conv4_2.weight                           | 形状: [512, 512, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
18. conv4_2.bias                             | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
19. conv4_3.weight                           | 形状: [512, 512, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
20. conv4_3.bias                             | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
21. conv5_1.weight                           | 形状: [512, 512, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
22. conv5_1.bias                             | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
23. conv5_2.weight                           | 形状: [512, 512, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
24. conv5_2.bias                             | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
25. conv5_3.weight                           | 形状: [512, 512, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
26. conv5_3.bias                             | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
27. fc6.weight                               | 形状: [1024, 512, 3, 3]    | 数据类型: torch.float32
      └─ 这是一个全连接层(用卷积实现)的权重参数
28. fc6.bias                                 | 形状: [1024]               | 数据类型: torch.float32
      └─ 这是一个全连接层(用卷积实现)的偏置参数
29. fc7.weight                               | 形状: [1024, 1024, 1, 1]   | 数据类型: torch.float32
      └─ 这是一个全连接层(用卷积实现)的权重参数
30. fc7.bias                                 | 形状: [1024]               | 数据类型: torch.float32
      └─ 这是一个全连接层(用卷积实现)的偏置参数
31. conv6_1.weight                           | 形状: [256, 1024, 1, 1]    | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
32. conv6_1.bias                             | 形状: [256]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
33. conv6_2.weight                           | 形状: [512, 256, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
34. conv6_2.bias                             | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
35. conv7_1.weight                           | 形状: [128, 512, 1, 1]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
36. conv7_1.bias                             | 形状: [128]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
37. conv7_2.weight                           | 形状: [256, 128, 3, 3]     | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
38. conv7_2.bias                             | 形状: [256]                | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
39. conv3_3_norm.weight                      | 形状: [256]                | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
40. conv4_3_norm.weight                      | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
41. conv5_3_norm.weight                      | 形状: [512]                | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
42. conv3_3_norm_mbox_conf.weight            | 形状: [4, 256, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
43. conv3_3_norm_mbox_conf.bias              | 形状: [4]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
44. conv3_3_norm_mbox_loc.weight             | 形状: [4, 256, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
45. conv3_3_norm_mbox_loc.bias               | 形状: [4]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
46. conv4_3_norm_mbox_conf.weight            | 形状: [2, 512, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
47. conv4_3_norm_mbox_conf.bias              | 形状: [2]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
48. conv4_3_norm_mbox_loc.weight             | 形状: [4, 512, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
49. conv4_3_norm_mbox_loc.bias               | 形状: [4]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
50. conv5_3_norm_mbox_conf.weight            | 形状: [2, 512, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
51. conv5_3_norm_mbox_conf.bias              | 形状: [2]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
52. conv5_3_norm_mbox_loc.weight             | 形状: [4, 512, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
53. conv5_3_norm_mbox_loc.bias               | 形状: [4]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
54. fc7_mbox_conf.weight                     | 形状: [2, 1024, 3, 3]      | 数据类型: torch.float32
      └─ 这是一个全连接层(用卷积实现)的权重参数
55. fc7_mbox_conf.bias                       | 形状: [2]                  | 数据类型: torch.float32
      └─ 这是一个全连接层(用卷积实现)的偏置参数
56. fc7_mbox_loc.weight                      | 形状: [4, 1024, 3, 3]      | 数据类型: torch.float32
      └─ 这是一个全连接层(用卷积实现)的权重参数
57. fc7_mbox_loc.bias                        | 形状: [4]                  | 数据类型: torch.float32
      └─ 这是一个全连接层(用卷积实现)的偏置参数
58. conv6_2_mbox_conf.weight                 | 形状: [2, 512, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
59. conv6_2_mbox_conf.bias                   | 形状: [2]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
60. conv6_2_mbox_loc.weight                  | 形状: [4, 512, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
61. conv6_2_mbox_loc.bias                    | 形状: [4]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
62. conv7_2_mbox_conf.weight                 | 形状: [2, 256, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
63. conv7_2_mbox_conf.bias                   | 形状: [2]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
64. conv7_2_mbox_loc.weight                  | 形状: [4, 256, 3, 3]       | 数据类型: torch.float32
      └─ 这是一个卷积层的权重参数
65. conv7_2_mbox_loc.bias                    | 形状: [4]                  | 数据类型: torch.float32
      └─ 这是一个卷积层的偏置参数
66. minus                                    | 形状: [3]                  | 数据类型: torch.float32
      └─ 这是S3FD模型的特殊buffer组件，用于输入预处理

============================================================
按功能分类的权重信息 (带逐行注释):
============================================================

主干网络参数 (33 个):
--------------------------------------------------
  conv1_1.weight                           | 形状: [64, 3, 3, 3] | 参数数量: 1,728
    └─ 第1阶段卷积层，负责初步特征提取
  conv1_1.bias                             | 形状: [64] | 参数数量: 64
    └─ 第1阶段卷积层，负责初步特征提取
  conv1_2.weight                           | 形状: [64, 64, 3, 3] | 参数数量: 36,864
    └─ 第1阶段卷积层，负责初步特征提取
  conv1_2.bias                             | 形状: [64] | 参数数量: 64
    └─ 第1阶段卷积层，负责初步特征提取
  conv2_1.weight                           | 形状: [128, 64, 3, 3] | 参数数量: 73,728
    └─ 第2阶段卷积层，继续特征提取
  conv2_1.bias                             | 形状: [128] | 参数数量: 128
    └─ 第2阶段卷积层，继续特征提取
  conv2_2.weight                           | 形状: [128, 128, 3, 3] | 参数数量: 147,456
    └─ 第2阶段卷积层，继续特征提取
  conv2_2.bias                             | 形状: [128] | 参数数量: 128
    └─ 第2阶段卷积层，继续特征提取
  conv3_1.weight                           | 形状: [256, 128, 3, 3] | 参数数量: 294,912
    └─ 第3阶段卷积层，中级特征提取
  conv3_1.bias                             | 形状: [256] | 参数数量: 256
    └─ 第3阶段卷积层，中级特征提取
  conv3_2.weight                           | 形状: [256, 256, 3, 3] | 参数数量: 589,824
    └─ 第3阶段卷积层，中级特征提取
  conv3_2.bias                             | 形状: [256] | 参数数量: 256
    └─ 第3阶段卷积层，中级特征提取
  conv3_3.weight                           | 形状: [256, 256, 3, 3] | 参数数量: 589,824
    └─ 第3阶段卷积层，中级特征提取
  conv3_3.bias                             | 形状: [256] | 参数数量: 256
    └─ 第3阶段卷积层，中级特征提取
  conv4_1.weight                           | 形状: [512, 256, 3, 3] | 参数数量: 1,179,648
    └─ 第4阶段卷积层，高级特征提取
  conv4_1.bias                             | 形状: [512] | 参数数量: 512
    └─ 第4阶段卷积层，高级特征提取
  conv4_2.weight                           | 形状: [512, 512, 3, 3] | 参数数量: 2,359,296
    └─ 第4阶段卷积层，高级特征提取
  conv4_2.bias                             | 形状: [512] | 参数数量: 512
    └─ 第4阶段卷积层，高级特征提取
  conv4_3.weight                           | 形状: [512, 512, 3, 3] | 参数数量: 2,359,296
    └─ 第4阶段卷积层，高级特征提取
  conv4_3.bias                             | 形状: [512] | 参数数量: 512
    └─ 第4阶段卷积层，高级特征提取
  conv5_1.weight                           | 形状: [512, 512, 3, 3] | 参数数量: 2,359,296
    └─ 第5阶段卷积层，最深层特征提取
  conv5_1.bias                             | 形状: [512] | 参数数量: 512
    └─ 第5阶段卷积层，最深层特征提取
  conv5_2.weight                           | 形状: [512, 512, 3, 3] | 参数数量: 2,359,296
    └─ 第5阶段卷积层，最深层特征提取
  conv5_2.bias                             | 形状: [512] | 参数数量: 512
    └─ 第5阶段卷积层，最深层特征提取
  conv5_3.weight                           | 形状: [512, 512, 3, 3] | 参数数量: 2,359,296
    └─ 第5阶段卷积层，最深层特征提取
  conv5_3.bias                             | 形状: [512] | 参数数量: 512
    └─ 第5阶段卷积层，最深层特征提取
  fc6.weight                               | 形状: [1024, 512, 3, 3] | 参数数量: 4,718,592
    └─ 全连接层6，扩展感受野
  fc6.bias                                 | 形状: [1024] | 参数数量: 1,024
    └─ 全连接层6，扩展感受野
  fc7.weight                               | 形状: [1024, 1024, 1, 1] | 参数数量: 1,048,576
    └─ 全连接层7，进一步特征压缩
  fc7.bias                                 | 形状: [1024] | 参数数量: 1,024
    └─ 全连接层7，进一步特征压缩
  conv3_3_norm.weight                      | 形状: [256] | 参数数量: 256
    └─ 第3阶段卷积层，中级特征提取
  conv4_3_norm.weight                      | 形状: [512] | 参数数量: 512
    └─ 第4阶段卷积层，高级特征提取
  conv5_3_norm.weight                      | 形状: [512] | 参数数量: 512
    └─ 第5阶段卷积层，最深层特征提取

检测头参数 (24 个):
--------------------------------------------------
  conv3_3_norm_mbox_conf.weight            | 形状: [4, 256, 3, 3] | 参数数量: 9,216
    └─ conv3_3层的分类头，输出4类(背景+人脸+...)置信度
  conv3_3_norm_mbox_conf.bias              | 形状: [4] | 参数数量: 4
    └─ conv3_3层的分类头，输出4类(背景+人脸+...)置信度
  conv3_3_norm_mbox_loc.weight             | 形状: [4, 256, 3, 3] | 参数数量: 9,216
    └─ conv3_3层的回归头，输出4个坐标偏移量
  conv3_3_norm_mbox_loc.bias               | 形状: [4] | 参数数量: 4
    └─ conv3_3层的回归头，输出4个坐标偏移量
  conv4_3_norm_mbox_conf.weight            | 形状: [2, 512, 3, 3] | 参数数量: 9,216
    └─ conv4_3层的分类头，输出2类(背景+人脸)置信度
  conv4_3_norm_mbox_conf.bias              | 形状: [2] | 参数数量: 2
    └─ conv4_3层的分类头，输出2类(背景+人脸)置信度
  conv4_3_norm_mbox_loc.weight             | 形状: [4, 512, 3, 3] | 参数数量: 18,432
    └─ conv4_3层的回归头，输出4个坐标偏移量
  conv4_3_norm_mbox_loc.bias               | 形状: [4] | 参数数量: 4
    └─ conv4_3层的回归头，输出4个坐标偏移量
  conv5_3_norm_mbox_conf.weight            | 形状: [2, 512, 3, 3] | 参数数量: 9,216
    └─ conv5_3层的分类头，输出2类(背景+人脸)置信度
  conv5_3_norm_mbox_conf.bias              | 形状: [2] | 参数数量: 2
    └─ conv5_3层的分类头，输出2类(背景+人脸)置信度
  conv5_3_norm_mbox_loc.weight             | 形状: [4, 512, 3, 3] | 参数数量: 18,432
    └─ conv5_3层的回归头，输出4个坐标偏移量
  conv5_3_norm_mbox_loc.bias               | 形状: [4] | 参数数量: 4
    └─ conv5_3层的回归头，输出4个坐标偏移量
  fc7_mbox_conf.weight                     | 形状: [2, 1024, 3, 3] | 参数数量: 18,432
    └─ fc7层的分类头，输出2类(背景+人脸)置信度
  fc7_mbox_conf.bias                       | 形状: [2] | 参数数量: 2
    └─ fc7层的分类头，输出2类(背景+人脸)置信度
  fc7_mbox_loc.weight                      | 形状: [4, 1024, 3, 3] | 参数数量: 36,864
    └─ fc7层的回归头，输出4个坐标偏移量
  fc7_mbox_loc.bias                        | 形状: [4] | 参数数量: 4
    └─ fc7层的回归头，输出4个坐标偏移量
  conv6_2_mbox_conf.weight                 | 形状: [2, 512, 3, 3] | 参数数量: 9,216
    └─ conv6_2层的分类头，输出2类(背景+人脸)置信度
  conv6_2_mbox_conf.bias                   | 形状: [2] | 参数数量: 2
    └─ conv6_2层的分类头，输出2类(背景+人脸)置信度
  conv6_2_mbox_loc.weight                  | 形状: [4, 512, 3, 3] | 参数数量: 18,432
    └─ conv6_2层的回归头，输出4个坐标偏移量
  conv6_2_mbox_loc.bias                    | 形状: [4] | 参数数量: 4
    └─ conv6_2层的回归头，输出4个坐标偏移量
  conv7_2_mbox_conf.weight                 | 形状: [2, 256, 3, 3] | 参数数量: 4,608
    └─ conv7_2层的分类头，输出2类(背景+人脸)置信度
  conv7_2_mbox_conf.bias                   | 形状: [2] | 参数数量: 2
    └─ conv7_2层的分类头，输出2类(背景+人脸)置信度
  conv7_2_mbox_loc.weight                  | 形状: [4, 256, 3, 3] | 参数数量: 9,216
    └─ conv7_2层的回归头，输出4个坐标偏移量
  conv7_2_mbox_loc.bias                    | 形状: [4] | 参数数量: 4
    └─ conv7_2层的回归头，输出4个坐标偏移量

归一化层参数 (0 个):
--------------------------------------------------

特殊组件 (9 个):
--------------------------------------------------
  conv6_1.weight                           | 形状: [256, 1024, 1, 1] | 参数数量: 262,144
  conv6_1.bias                             | 形状: [256] | 参数数量: 256
  conv6_2.weight                           | 形状: [512, 256, 3, 3] | 参数数量: 1,179,648
  conv6_2.bias                             | 形状: [512] | 参数数量: 512
  conv7_1.weight                           | 形状: [128, 512, 1, 1] | 参数数量: 65,536
  conv7_1.bias                             | 形状: [128] | 参数数量: 128
  conv7_2.weight                           | 形状: [256, 128, 3, 3] | 参数数量: 294,912
  conv7_2.bias                             | 形状: [256] | 参数数量: 256
  minus                                    | 形状: [3] | 参数数量: 3
    └─ 输入预处理buffer，值为: [104.0, 117.0, 123.0]
      用于从输入图像中减去均值[R:104, G:117, B:123]




你仔细分析下s3fd模型权重文件就知道，在面部识别中，所有的侧脸，哪怕没有任何口眼鼻 也能检测出来的，本质就是阀值的问题，所以我说的修改旋转逻辑完全可以实现 等同于修改阀值，， 是为了效率

day270010678

DFL小白02 发表于 2026-1-9 10:26
我想了一下你说的修改旋转逻辑的法子，首先这样原来训练的模型肯定就不能用了不然基本会闪烁。另外博主你 ...

面部识别和特征点提取是两个概念