ZQCNN-v0.0是ZuoQing参照mini-caffe写的forward库，随便用用
2018-09-13日更新
(1)支持从内存加载模型
(2)增加编译配置ZQ_CNN_CompileConfig.h，可以选择是否使用_mm_fmadd_ps, _mm256_fmadd_ps (可以测一下速度看看到底快了还是慢了)。
2018-09-12日更新 利用insightface训练112*96(即sphereface的尺寸)步骤：
(1)修改insightface\src\image_iter.py： def net_sample(sef) line124 return之前加一句img=img[:,8:104,:]
修改前
header, img = recordio.unpack(s)
return header.label, img, None, None
修改后
header, img = recordio.unpack(s)
img = img[:,8:104,:]#added by zuoqing
return header.label, img, None, None
(2)修改insightface\src\image_iter.py： def next(self) line215 self.postprocess_data(datum)之前加一句datum=datum[:,8:104,:]
修改前
#print(datum.shape)
batch_data[i][:] = self.postprocess_data(datum)
修改后
#print(datum.shape)
datum = datum[:,8:104,:]# added by zuoqing
batch_data[i][:] = self.postprocess_data(datum)
(3)修改datasets\faces_emore\property：112,112,改成了112,96 （同理，你用其他数据训练也得改）
(4)修改insightface\src\eval\verification.py： def load_bin(path,image_size) line193 tranpose之前加一句img=img[:,8:104,:]
修改前
img = mx.image.imdecode(_bin)
img = nd.transpose(img, axes=(2, 0, 1))
修改后
img = mx.image.imdecode(_bin)
img = img[:,8:104,:]#added by zuoqing
img = nd.transpose(img, axes=(2, 0, 1))
(5)修改insightface\src\symbols\symbol_utils.py里面get_fc1把kernel改成(7,6)
改完之后显存会少使用一些，可以使用更大的batch_size
2018-08-15日更新
(1)添加自然场景文本检测，模型从TextBoxes转过来的。我个人觉得速度太慢，而且准确度不高。
注意这个项目里用的PriorBoxLayer与SSD里的PriorBoxLayer是不同的，为了导出ZQCNN格式的权重我修改了deploy.prototxt保存为deploy_tmp.prototxt。 从此处下载模型。
(2)添加图片鉴黄，模型从open_nsfw转过来的，准确度高不高我也没测过。
从此处下载模型。
2018-08-10日更新
成功转了mxnet上的GenderAge-r50模型 以及Arcface-LResNet100E-IR，与转MobileFaceNet模型步骤一样。
下面Model Zoo 有我转好的模型，比自动转出来的应该略快。
打开ZQCNN.sln运行SampleGenderAge查看效果。我E5-1650V4的CPU，单线程时间波动很大，均值约1900-2000ms，四线程400多ms。
2018-08-09日更新
添加mxnet2zqcnn，成功将mxnet上的MobileFaceNet转成ZQCNN格式（不能保证其他模型也能转成功，ZQCNN还不支持很多Layer）。
第一步：编译出mxnet2zqcnn.exe
第二步：下载model-y1.zip然后解压
第三步：在刚才解压的目录下运行命令行 mxnet2zqcnn.exe model-symbol.json model-0000.params test.zqparams test.nchwbin
第四步：用记事本打开test.zqparams, 在第一行（Input Layer）后面加上 C=3 H=112 W=112 然后保存
第五步：把test.zqparams和test.nchwbin复制到model文件夹下，然后在VS2015里运行SampleMobileFaceNet.exe，注意工作目录是$(SolutionDir)
自动转出来的速度慢了不少，可以手工修改test.zqparams，可以参考ArcFace-MobileFaceNet-v0
2018-08-07日更新
BUG修复：之前Convolution, DepthwiseConvolution, InnerProduct, BatchNormScale/Scale默认with_bias=true， 现在改成默认with_bias=false。也就是之前的代码无法加载不带bias的这几个Layer。
示例，如下这样一个Layer，以前会默认为有bias_term，现在默认没有bias_term
Convolution name=conv1 bottom=data top=conv1 num_output=10 kernel_size=3 stride=1
2018-08-06日更新
增加人脸识别在LFW数据库的精度测试。打开ZQlibFaceID.sln可以看到相关Project。
由于C++代码的计算精度与matlab略有差距，统计出的精度也有一些差别，但是相差在0.1%以内。
2018-08-03日更新
支持多线程（通过openmp加速）。请注意，目前多线程反而比单线程慢
2018-07-26日更新
支持MobileNet-SSD。caffemodel转我用的模型参考export_mobilenet_SSD_caffemodel_to_nchw_binary.m。需要编译出matcaffe才行。 你可以试试这个版本caffe-ZQ
2018-06-05日更新
跟上时代潮流、发布源码。 忘了说需要依赖openblas，我是直接用的mini-caffe里面的那个版本，自己编译出来的很慢。
人脸检测
人脸识别
| 模型名称 | LFW精度(ZQCNN) | 耗时(ZQCNN) | 备注 |
|---|---|---|---|
| SphereFace04 | 98.2% | - | 不建议使用 |
| SphereFace04bn | 98.5% | - | 不建议使用 |
| SphereFace06bn | 98.7%-98.8% | - | 不建议使用 |
| SphereFace20 | 99.2%-99.3% | 单线程约195ms， 3.6GHz | 不建议使用 |
| SphereFace04bn256 | 97.8%-97.9% | 单线程6-7ms, 3.6GHz | 速度最快 |
| Mobile-SphereFace10bn | 98.6%-98.7% | 单线程15ms, 3.6GHz | 性价比高 |
| MobileFaceNet-v0 | 99.13%-99.23% | 单线程33-35ms，4线程14-15ms, 3.6GHz | 从model-y1.zip转的格式 |
| MobileFaceNet-v1 | 99.17%-99.37% | 单线程33-35ms，4线程14-15ms, 3.6GHz | 我自己用insightface训练了一把 |
| ArcFace-r34 | 99.65%-99.70% | 单线程500ms+,3.6GHz | - |
| ArcFace-r34-v2 | 99.73%-99.77%(matlab crop), 99.68-99.78%(C++ crop) | 单线程500ms+,3.6GHz | - |
| ArcFace-r50 | 99.75%-99.78% | 单线程700ms+,3.6GHz | - |
| ArcFace-r100 | 99.80%-99.82% | 单线程1900ms+，四线程480ms, 3.6GHz | 时间波动很大 |
| 模型名称 | LFW精度(ZQCNN) | LFW精度(OpenCV3.4.2) | LFW精度(minicaffe) | 耗时 (ZQCNN) | 备注 |
|---|---|---|---|---|---|
| MobileFaceNet-res2-6-10-2-dim128 | 99.67%-99.55%(matlab crop), 99.72-99.60%(C++ crop) | 99.63%-99.65%(matlab crop), 99.68-99.70%(C++ crop) | - | 时间与dim256接近 | 网络结构与dim256一样，只不过输出维数不同 |
| MobileFaceNet-res2-6-10-2-dim256 | 99.60%-99.60%(matlab crop), 99.62-99.62%(C++ crop) | 99.73%-99.68%(matlab crop), 99.78-99.68%(C++ crop) | - | 单线程约85ms，四线程约30ms, 3.6GHz | 网络结构在下载链接里,用faces_emore训练的 |
| MobileFaceNet-res2-6-10-2-dim512 | 99.52%-99.60%(matlab crop), 99.63-99.72%(C++ crop) | 99.70%-99.67%(matlab crop), 99.77-99.77%(C++ crop) | - | 时间与dim256接近 | 网络结构与dim256一样，只不过输出维数不同。感谢moli训练此模型 |
| MobileFaceNet-res4-8-16-4-dim256 | 99.78%-99.78%(matlab crop), 99.75-99.75%(C++ crop) | 99.82%-99.82%(matlab crop), 99.80-99.82%(C++ crop) | 99.78%-99.78%(matlab crop), 99.73-99.73%(C++ crop) | 单线程约135ms，四线程约42ms, 3.6GHz | 网络结构在下载链接里,用faces_emore训练的 |
| MobileFaceNet-res4-8-16-4-dim512 | 99.80%-99.72%(matlab crop), 99.85-99.82%(C++ crop) | 99.83%-99.82%(matlab crop), 99.87-99.83%(C++ crop) | - | 时间与dim256接近 | 网络结构与dim256一样，只不过输出维数不同。感谢moli训练此模型 |
表情识别
FacialEmotion 七类表情用Fer2013训练
性别年龄识别
GenderAge-r50从insightface的gamodel-r50转的格式。
目标检测
MobileNetSSD 从MobileNet-SSD转的格式
MobileNetSSD-Mouth 用于SampleDetectMouth
文字检测
图片鉴黄
(4)向量点积的精度问题
(5)ZQCNN支持Depthwise Convolution并用mobilenet改了一把SphereFaceNet-10