---
title: FAN-PyTorch-模型库-ModelZoo-昇腾社区
description: 生态贡献模型
keywords: FAN,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境
url: https://www.hiascend.com/software/modelzoo/models/detail/d5d981a0951e417db91b2e7796a851f3
section: (其他)
---

# FAN-PyTorch-模型库-ModelZoo-昇腾社区

URL: https://www.hiascend.com/software/modelzoo/models/detail/d5d981a0951e417db91b2e7796a851f3
描述: 生态贡献模型
关键词: FAN,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境

ModelZoo主页

主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html)

模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)

FAN-PyTorch

## FAN-PyTorch

视觉检测与跟踪PyTorch训练89次浏览2026/01/19更新

查看模型源码

FAN-PyTorch

查看模型源码

模型使用

版本信息

模型使用

版本信息

...

# 概述

## 简述

FAN是一个目标对齐检测网络，通过对目标标志的检测，既能够检测2D也能够检测3D坐标中的点。

- 参考实现：

```
url=https://github.com/1adrianb/face-alignment
commit_id=c49ca6fef8ffa95a0ac7ce698e0b752ac91f6d42
```
- 适配昇腾 AI 处理器的实现：

```
url=https://gitee.com/ascend/ModelZoo-PyTorch.git
code_path=PyTorch/contrib/cv/detection
```

# 准备训练环境

## 准备环境

- 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

表 1版本支持表

| Torch_Version | 三方库依赖版本 |
| --- | ---|
| PyTorch1.5 | scipy>=0.17.0 |
| PyTorch1.8 | scipy>=0.17.0 |
- 环境准备指导。

请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。
- 安装依赖。

在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

```
pip install -r requirements.txt
```

## 准备数据集

用户自行获取原始数据集，可选用的开源数据集包括300-W等，进入到项目根目录并创建`dataset`目录，将数据集放在`dataset`下（数据集包含4个子数据集共7674张图片）：

```
# $FAN_ROOT 为项目根目录
$FAN_ROOT/dataset/
```

以300-w数据集为例，数据集目录结构参考如下所示。

```
 dataset
    └── ibug_300W_large_face_landmark_dataset
        ├── aww
        ├── bug
        ├── Helen
        │   ├── trainset
        │   └── testset
        └── lfpw
            ├── trainset
            └── testset
```

说明：该数据集的训练过程脚本只作为一种参考示例。

# 开始训练

## 训练模型

1. 进入解压后的源码包根目录。

```
cd /${模型文件夹名称}
```
2. 运行训练脚本。

该模型支持单机单卡训练。

- 单机单卡训练

启动单卡训练。

```
bash ./test/train_full_1p.sh --data_path=/data/xxx/ --landmarks_type=关键点类型"2D"或"3D"  # 单卡精度

bash ./test/train_performance_1p.sh --data_path=/data/xxx/ --landmarks_type=关键点类型"2D"或"3D"  # 单卡性能
```

--data_path参数填写数据集路径，需写到数据集的一级目录。

--landmarks_type参数填写关键点类型"2D"或"3D"。

模型训练脚本参数说明如下。

```
公共参数：
--data_path                              //数据集路径
--landmarks_type                         //关键点类型
--steps                                  //重复训练次数
```

训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

关键点坐标，图像数据保存路径如下：

```
 #2D关键点坐标保存路径如下
 $FAN_ROOT/result/points/2D_npu.npy
 #3D关键点坐标保存路径如下
 $FAN_ROOT/result/points/3D_npu.npy
 #2D关键点图像保存路径如下
 $FAN_ROOT/result/images/2D/
 #3D关键点图像保存路径如下
 $FAN_ROOT/result/images/3D/
```

# 训练结果展示

表 2训练结果展示表

| NAME | FPS | Epochs | Landmarks_Type | Torch_Version |
| --- | --- | --- | --- | ---|
| 1p-竞品V | 0.62 | 50 | 2D | 1.5 |
| 1p-竞品V | 0.49 | 50 | 3D | 1.5 |
| 1p-NPU | 0.59 | 50 | 2D | 1.5 |
| 1p-NPU | 0.47 | 50 | 3D | 1.5 |

# 版本说明

## 变更

2020.10.14：更新内容，重新发布。

2020.07.08：首次发布。

## FAQ

无。

| 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 |
| --- | --- | --- | --- | --- | ---|
| 5.0.RC1 | 2023/08/14 | Mixed | Ascend 910 | 6.3.RC1 | modelzoomodelzoo |

使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)