人脸检测模型边缘部署方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了人脸检测模型边缘部署方法、装置、计算机设备及存储介质。所述方法包括：采集人脸数据集，构建轻量级网络，使用所述人脸数据集对所述轻量级网络进行训练，以得到人脸检测模型；将所述人脸检测模型转换为Tflite格式的人脸检测模型，通过JNI将Tflite格式的人脸检测模型部署在基于安卓系统的边缘设备上。通过实施本发明专利技术实施例的方法可实现将人脸检测模型通过边缘计算的方式部署到边缘设备，数据无需通过网络传输，检测速度快，保障了数据隐私，可用于人脸实时检测和识别。可用于人脸实时检测和识别。可用于人脸实时检测和识别。

【技术实现步骤摘要】
人脸检测模型边缘部署方法、装置、计算机设备及存储介质


[0001]本专利技术涉及模型部署方法，更具体地说是指人脸检测模型边缘部署方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着现代化进程的加快，人工智能技术逐渐进入大众的生活为人们带来了许多便捷。在“智慧城市”的建设中，人脸检测、识别技术的应用得到了极大的发展。
[0003]目前具有人脸检测、识别功能的模型大多采用云端部署的方式，需要将摄像头拍摄的人脸图片信息上传到云端，然后通过云端的人脸检测、识别算法进行处理后，将计算结果下发到边缘设备，通过这样的方式容易出现敏感数据安全性问题，并且该种方式在时效上具有很大的局限性，不能实时进行检测和识别，识别速度慢。
[0004]因此，有必要设计一种新的方法，实现将人脸检测模型通过边缘计算的方式部署到边缘设备，检测速度快，保障了数据隐私，可用于人脸实时检测和识别。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提供人脸检测模型边缘部署方法、装置、计算机设备及存储介质。
[0006]为实现上述目的，本专利技术采用以下技术方案：人脸检测模型边缘部署方法，包括：
[0007]采集人脸数据集，构建轻量级网络，使用所述人脸数据集对所述轻量级网络进行训练，以得到人脸检测模型；
[0008]将所述人脸检测模型转换为Tflite格式的人脸检测模型，通过JNI将Tflite格式的人脸检测模型部署在基于安卓系统的边缘设备上。
[0009]其进一步技术方案为：所述采集人脸数据集，构建轻量级网络，使用所述人脸数据集对所述轻量级网络进行训练，以得到人脸检测模型，包括：
[0010]获取训练所用的数据，以得到人脸数据集；
[0011]配置深度学习框架的GPU环境；
[0012]搭建轻量级网络；
[0013]配置训练策略机制以及训练参数；
[0014]采用人脸数据集根据训练策略机制以及训练参数在深度学习框架Tensorflow的GPU环境中对所述轻量级网络进行训练，以得到人脸检测模型。
[0015]其进一步技术方案为：所述采用人脸数据集根据训练策略机制以及训练参数在深度学习框架Tensorflow的GPU环境中对所述轻量级网络进行训练，以得到人脸检测模型之后，还包括：
[0016]保存所述人脸检测模型。
[0017]其进一步技术方案为：所述轻量级网络包括使用mobilenet作为主干网络的基于SSD架构网络。
[0018]其进一步技术方案为：所述将所述人脸检测模型转换为Tflite格式的人脸检测模型，通过JNI将Tflite格式的人脸检测模型部署在基于安卓系统的边缘设备上，包括：
[0019]冻结所述人脸检测模型；
[0020]将冻结后的人脸检测模型进行格式转换和模型参数类型的量化，以得到Tflite文件；
[0021]对所述Tflite文件添加元数据，以得到可部署的Tflite模型；
[0022]在安卓环境对可部署的Tflite模型进行编译，以得到在安卓环境运行的apk文件；
[0023]将所述apk文件部署于边缘设备上。
[0024]其进一步技术方案为：所述冻结所述人脸检测模型，包括：
[0025]将所述人脸检测模型的参数、参数名以及所述人脸检测模型的结构保存在同一个文件中，以得到*.pb格式的人脸检测模型参数以及*.pbtxt格式的网络模型文件。
[0026]其进一步技术方案为：所述在安卓环境对可部署的Tflite模型进行编译，以得到在安卓环境运行的apk文件，包括：
[0027]在安卓环境通过JNI对可部署的Tflite模型进行编译，以得到在安卓环境运行的apk文件。
[0028]本专利技术还提供了人脸检测模型边缘部署装置，其特征在于，包括：
[0029]模型训练单元，用于采集人脸数据集，构建轻量级网络，使用所述人脸数据集对所述轻量级网络进行训练，以得到人脸检测模型；
[0030]边缘部署单元，用于将所述人脸检测模型转换为Tflite格式的人脸检测模型，通过JNI将Tflite格式的人脸检测模型部署在基于安卓系统的边缘设备上。
[0031]本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0032]本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
[0033]本专利技术与现有技术相比的有益效果是：本专利技术通过构建轻量级网路，并对该网络进行训练，以得到计算量大幅降低的人脸检测模型，再将人脸检测模型转换为Tflite格式的人脸检测模型，通过JNI将Tflite格式的人脸检测模型部署在基于安卓系统的边缘设备上，以使得边缘设备可以直接进行人脸检测，实现将人脸检测模型通过边缘计算的方式部署到边缘设备，数据无需通过网络传输，检测速度快，保障了数据隐私，可用于人脸实时检测和识别。
[0034]下面结合附图和具体实施例对本专利技术作进一步描述。
附图说明
[0035]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为本专利技术实施例提供的人脸检测模型边缘部署方法的应用场景示意图；
[0037]图2为本专利技术实施例提供的人脸检测模型边缘部署方法的流程示意图；
[0038]图3为本专利技术实施例提供的人脸检测模型边缘部署方法的子流程示意图；
[0039]图4为本专利技术实施例提供的人脸检测模型边缘部署方法的子流程示意图；
[0040]图5为本专利技术实施例提供的人脸检测模型网络结构在NTERON的局部展示图；
[0041]图6为本专利技术实施例提供的人脸检测模型边缘部署装置的示意性框图；
[0042]图7为本专利技术实施例提供的人脸检测模型边缘部署装置的模型训练单元的示意性框图；
[0043]图8为本专利技术实施例提供的人脸检测模型边缘部署装置的边缘部署单元的示意性框图；
[0044]图9为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0045]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0046]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.人脸检测模型边缘部署方法，其特征在于，包括：采集人脸数据集，构建轻量级网络，使用所述人脸数据集对所述轻量级网络进行训练，以得到人脸检测模型；将所述人脸检测模型转换为Tflite格式的人脸检测模型，通过JNI将Tflite格式的人脸检测模型部署在基于安卓系统的边缘设备上。2.根据权利要求1所述的人脸检测模型边缘部署方法，其特征在于，所述采集人脸数据集，构建轻量级网络，使用所述人脸数据集对所述轻量级网络进行训练，以得到人脸检测模型，包括：获取训练所用的数据，以得到人脸数据集；配置深度学习框架的GPU环境；搭建轻量级网络；配置训练策略机制以及训练参数；采用人脸数据集根据训练策略机制以及训练参数在深度学习框架Tensorflow的GPU环境中对所述轻量级网络进行训练，以得到人脸检测模型。3.根据权利要求2所述的人脸检测模型边缘部署方法，其特征在于，所述采用人脸数据集根据训练策略机制以及训练参数在深度学习框架Tensorflow的GPU环境中对所述轻量级网络进行训练，以得到人脸检测模型之后，还包括：保存所述人脸检测模型。4.根据权利要求2所述的人脸检测模型边缘部署方法，其特征在于，所述轻量级网络包括使用mobilenet作为主干网络的基于SSD架构网络。5.根据权利要求1所述的人脸检测模型边缘部署方法，其特征在于，所述将所述人脸检测模型转换为Tflite格式的人脸检测模型，通过JNI将Tflite格式的人脸检测模型部署在基于安卓系统的边缘设备上，包括：冻结所述人脸检测模型；将冻结后的人脸检测模型进行格式转换和模型参数类...

【专利技术属性】
技术研发人员：游亚东，王一科，李东晖，于佳辰，
申请(专利权)人：深圳科卫机器人科技有限公司，
类型：发明
国别省市：