SCRFD实战：从数据标注到模型训练的全流程指南

1. SCRFD算法基础与场景适配SCRFD作为轻量级人脸检测算法最初设计用于输出人脸矩形框及5个关键点左右眼、鼻尖、嘴角。但在工业质检、医疗影像等领域我们常需要检测其他目标并调整关键点数量。比如检测电路板元件需要3个定位点手势识别需要21个关节点。我最近用SCRFD完成了一个医疗器械定位项目需要检测手术钳并标记4个关键点。实测发现只需修改三处核心参数就能适配新场景数据层调整retinaface.py中的self.NK参数预处理层修改transforms.py的翻转逻辑检测头重设scrfd_head.py的特征维度注意关键点数量变化时必须同步修改数据增强逻辑。比如原版人脸检测的水平翻转顺序是[1,0,2,4,3]对应左右眼、鼻尖、左右嘴角的镜像关系。2. 数据标注实战技巧Labelme虽然简单易用但在批量标注时效率较低。经过多个项目验证我总结出这套组合工具方案小规模数据用Labelme标注支持Win/Mac/Linuxpip install labelme labelme --autosave # 开启自动保存中大型项目采用CVAT标注系统支持团队协作标注自动预标注视频帧连续标注标注时容易踩的坑关键点标签必须从0开始连续编号矩形框建议单独用最高数字标签如4个关键点就用label4保存前务必检查JSON文件结构{ version: 4.5.6, flags: {}, shapes: [ { label: 0, // 关键点1 points: [[x1,y1]], shape_type: point }, { label: 4, // 矩形框 points: [[x1,y1],[x2,y2]], shape_type: rectangle } ] }3. 数据格式转换详解原始JSON到SCRFD训练格式的转换需要处理三个核心问题坐标归一化将绝对坐标转为相对坐标关键点可见性默认设为1.0可见文件路径处理保持Linux路径风格改进版的转换脚本增加了错误校验def validate_json(data): required_keys {imageWidth, imageHeight, shapes} if not required_keys.issubset(data.keys()): raise ValueError(Missing required JSON fields) kps_count len([s for s in data[shapes] if s[shape_type] point]) rect_count len([s for s in data[shapes] if s[shape_type] rectangle]) if rect_count ! 1: raise ValueError(fExpected 1 rectangle, got {rect_count}) return kps_count def convert_coords(points, img_w, img_h): return [ round(p[0]/img_w, 6), # x round(p[1]/img_h, 6), # y 1.0 # visibility ]转换后的TXT格式示例# images/train/001.png 640 480 0.3125 0.447917 0.671875 0.864583 0.328125 0.510417 1.0 0.375 0.625 1.04. 模型训练优化策略在医疗设备检测项目中通过以下调整将mAP提升12%1. 学习率策略调整# configs/scrfd/scrfd_2.5g_bnkps.py optimizer dict( typeSGD, lr0.02, # 初始学习率 momentum0.9, weight_decay0.0001) lr_config dict( policyCosineAnnealing, warmuplinear, warmup_iters500, warmup_ratio0.001, min_lr1e-5) # 最低学习率2. 多尺度训练配置img_norm_cfg dict( mean[123.675, 116.28, 103.53], std[58.395, 57.12, 57.375], to_rgbTrue) train_pipeline [ dict(typeResize, img_scale[(640, 640), (800, 800)], # 多尺度 multiscale_moderange), dict(typeRandomFlip, flip_ratio0.5), dict(typeNormalize, **img_norm_cfg) ]3. 分布式训练技巧# 使用4卡训练时 CUDA_VISIBLE_DEVICES0,1,2,3 PORT1234 \ bash ./tools/dist_train.sh \ ./configs/scrfd/scrfd_2.5g_bnkps.py 4 \ --validate \ # 开启验证集评估 --seed 42 # 固定随机种子训练过程常见问题排查Loss震荡过大 → 降低学习率或增加batch size验证集指标不提升 → 检查数据标注质量GPU内存不足 → 减小输入图像尺寸5. 模型部署与性能调优在边缘设备部署时我用TensorRT加速实现了3倍推理速度提升1. ONNX转换关键参数torch.onnx.export( model, dummy_input, scrfd.onnx, input_names[input], output_names[bbox, kps], dynamic_axes{ input: {0: batch, 2: height, 3: width}, bbox: {0: batch}, kps: {0: batch} }, opset_version11)2. TensorRT优化命令trtexec --onnxscrfd.onnx \ --saveEnginescrfd.engine \ --fp16 \ # 启用FP16量化 --workspace2048 \ # 显存池大小(MB) --builderOptimizationLevel3实测性能对比NVIDIA Jetson Xavier NX推理方式延迟(ms)内存占用(MB)PyTorch58.21203ONNX42.7987TensorRT19.5654部署时的经验之谈工业场景建议使用FP16精度动态尺寸输入会轻微影响速度关键点坐标后处理建议用C实现