comparison of MTCNN on RK3399

• date, 2019-03-08 12:04:23

在RK板上运行mtcnn的方案

1. 运行caffe版本的mtcnn

• 在RK上安装OPENCL的Caffe(环境配置)
  • 先装OPENBLAS，后装Caffe
  • 中间遇到ViennaCL库没找到，但是安装出错
• 在RK板上运行python版的mtcnn-caffe
• 在RK板上运行C++版的mtcnn-caffe

2. 运行tensorflow-lite版本的mtcnn

• 在RK板上安装tensorflow-lite(环境配置)
  • 这一部分的教程较少，安装出错
• 把mtcnn的模型转换成lite模型
• 运行mtcnn

3. 测试mtcnn(tensorflow)在不同机器上的fps

星期五, 08. 三月 2019 11:32上午

• test_video : outpy4.avi

• image size : 480 x 640

---

fps	CPU	GPU
HP_Zhan(MX150)2G	5.05	12.04
JTx2 (Pascal GPU) 8G	4.00	6.23
RK3399 (No GPU)	1.52	None

---

• image size : 216 x 512

---

fps	CPU	GPU
HP_Zhan(MX150)/2G	10.45	22.96
JTx2 (Pascal GPU) /8G	8.64	11.89
RK3399 (No GPU)	2.81	None

4. 优化mtcnn的思路

reference : MTCNN优化和另类用法

• MTCNN速度的瓶颈
  • 图片越大Pnet耗时也就越大。
  • 人脸越多Onet和Rnet耗时越大。
  • 噪点比较多的夜晚图像会导致Pnet误检测增多。

• 从input_size入手，缩小input_size可以加快速度，如：480x640 -> 216 x 512，可以提高40%左右的速率

• 换caffe框架，想办法把RK板上的GPU利用起来实现加速

5. caffe2 VS tensorflow (MTCNN)

• 在HP-Zhan-Tim上跑GPU，每个流程跑3次

Framwork	tensorflow	caffe2
FPS	GPU-1/GPU-2/GPU-3	GPU-1/GPU-2/GPU-3
480x640	13.41/13.08/12.75	13.69/13.73/13.58
216X512	22.43/22.62/23.09	30.01/29.25/29.82