模型仅1MB，更轻量的人脸检测模型开源，效果不弱于主流算法

　　乾明 编辑整理 
　　量子位 报道 公众号 QbitAI

　　AI 模型越来越小，需要的算力也也来越弱，但精度依旧有保障。

　　最新代表，是一个刚在 GitHub 上开源的中文项目：一款超轻量级通用人脸检测模型。

　　项目贡献者介绍，这一模型大小文件仅 1MB，320x240 输入下计算量仅 90MFlops。

　　当然，效果也不弱于当前业界主流的开源人脸检测算法，甚至有所超越。

　　超轻量、通用

　　这一模型的贡献者为linzai，他介绍称，这是针对边缘计算设备或低算力设备(如用 ARM 推理)设计的一款实时超轻量级通用人脸检测模型：

默认 FP32 精度下（.pth）文件大小为 1.1MB，推理框架 int8 量化后大小为 300KB 左右。

　　目标就是在低算力设备中用 ARM 进行实时的通用场景的人脸检测推理。同时，这也适用于移动端环境（Android & IOS）、PC 环境（CPU & GPU )等等。

　　GitHub 项目页面介绍称，模型已经在 Ubuntu16.04、Ubuntu18.04、Windows 10；Python3.6；Pytorch1.2；CUDA10.0 + CUDNN7.6 等环境进行过测试，都能够保证正常运行。

　　模型设计，一共有两个版本，分别是：1）version-slim，主干精简速度略快，2）version-RFB，加入了修改后的 RFB 模块，精度更高。

　　而且还提供了 320x240、640x480 不同输入分辨率下使用 widerface 训练的预训练模型，能够更好的工作于不同的场景。

　　linzai 介绍称，整个项目中没有特殊算子，支持 onnx 导出，从而便于移植推理。

　　效果不弱于当前主流开源算法

　　如此模型，效果/精度到底如何？

　　linzai 也在 GitHub 项目页面放出了这一模型在精度、速度、场景测试、大小方面的测试。

　　参赛选手有两个，一个是 Libfacedetection，OpenCV 中文站站长于仕琪开源的人脸检测算法。

　　另一个是 Retinaface-Mobilenet-0.25 (Mxnet)——当前业界最先进的开源人脸检测算法之一。

　　在 Widerface 数据集上的测试结果如下：

　　version-slim/version-RFB 基本上都能够实现最优结果。

　　在树莓派 4B MNN 推理测试耗时上的测试结果为：

　　对比之下，version-slim 版本的速度也不在下风。

　　在地铁站、万达广场、办公室等场景进行测试，结果上 version-RFB 也比较有优势。

　　更重要的是，新开源模型的轻量性：

　　传送门

　　在这个项目的 GitHub 页面，linzai 也分享了如何生成 VOC 格式训练数据集以及训练流程，以及如何更好的使用这一模型的方法。

　　如果你有兴趣，请收好传送门：

　　https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB