树莓派上几种人脸检测模型对比

前言

  人脸检测相对其他计算机视觉技术而言，可以算是比较烂大街的技术，各家都有各家的人脸检测技术，而且开源的很多人脸检测技术都有非常高的精度和速度。我觉得要比速度，就扔掉GPU，拿个边缘设备来试试，是不是真的快，立竿见影，谁也别说谁快枪手。今天就对github上找到的几款人脸检测模型进行对比。
  测试图像就一张，还是比较有名的那一张，大小2048*1150，如下：

  我的运行硬件是4G版的树莓派4B，运行的推理框架主要是ncnn框架，运行语言是C++。本次测试的模型如下:

模型	地址
MTCNN	https://github.com/ElegantGod/ncnn
CenterFace	https://github.com/Star-Clouds/CenterFace https://github.com/MirrorYuChen/ncnn_example
RetinaFace	https://github.com/deepinsight/insightface https://github.com/deepinsight/insightface/issues/669
UltraFace-1MB	https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
LFFD	https://github.com/SyGoing/LFFD-with-ncnn

  当然啦，github上开源的模型可不止这几个，还有于仕琪老师开源的libfacedetect，山世光老师团队的SeetaFace等，这些后面再补上(主要是这些项目好像都还不支持arm等边缘设备哈，所以我还没在树莓派上部署起来哈)。

检测

  在比较中，选取了几个尺寸、阈值等可变参数，然后计算能找到的人脸数量、推理的时间等指标，得到如下结果：

MTCNN

  MTCNN设置了阈值参数：PNet、RNet、ONet三个模型的输出阈值设置了0.4、0.2、0.2，factor阈值设置了0.9，最后检测出了33张人脸，用了1081.62ms。

CenterFace

  CenterFace与MTCNN稍微不同，它可以指定输入的尺寸，也可以修改阈值，所以我设置了几组尺寸：。
  尺寸：(512,256)，阈值0.4，时间：511.463ms，人脸：46：

  尺寸：(1024,512)，阈值0.4，时间：2903.19ms，人脸：193：

  尺寸：(2048,1150)，阈值0.4，时间：11726.5ms，人脸：499：

RetinaFace

  RetinaFace的操作与CenterFace类似，它可以指定输入的尺寸，也可以修改阈值，所以我也设置了相同的尺寸：。
  尺寸：(512,256)，阈值0.4，时间：170.906ms，人脸：27：

  尺寸：(1024,512)，阈值0.4，时间：649.532ms，人脸：149：

  尺寸：(2048,1150)，阈值0.4，时间：3926.29ms，人脸：457：

UltraFace-1MB

  UltraFace-1MB的操作也与CenterFace类似，它可以指定输入的尺寸，也可以修改阈值，所以我也同样设置了相同的尺寸：。
  尺寸：(512,256)，阈值0.4，时间：257.864ms，人脸：299：

  尺寸：(1024,512)，阈值0.4，时间：1106.54ms，人脸：565：

  尺寸：(2048,1150)，阈值0.4，时间：4515.47ms，人脸：695：

LFFD

  追加一个LFFD，效果也是挺好的，速度稍微慢一丢丢哈：。
  尺寸：(512,256)，阈值0.4，时间：1094.84ms，人脸：81：

  尺寸：(1024,512)，阈值0.4，时间：4683.66ms，人脸：283：

  尺寸：(2048,1150)，阈值0.4，时间：25551.5ms，人脸：578：

最后

  最后，想说，这样子的比较不严谨，因此我也只是大概看下每个模型在树莓派上的运行速度。
  我觉得刷速度的要看应用设备和场景等因素吧，你不能拿在GPU上的速度来比较，GPU上的速度基本也就是那些很大的项目或者学术上比一比。我觉得既然是要讲速度或者说要在边缘设备上跑，那就找那些计算力有限的设备来比一笔，真刀真枪的在边缘端比，这才是有比较大的参考意义的，特别是模型的目标是部署在边缘端，结果拿GPU上的速度，什么6ms啦、7ms啦，都是没有用的参考价值的。
  此外呢，要严重注意的一点，模型的参数量下降，不等于模型速度的提升，模型的大小与模型的参数有比较强的关系，但是模型的推理速度与模型的参数量关系比较弱。就以上面的RetinaFace和UltraFace-1MB来比较，前者模型文件MB，后者基是1MB，但是实际上相同收入尺寸下的速度是前者稍微快一丢丢，当然啦，一次实验两次实验并不说明一切，而且也还与我编程技术有限等因素有关，但是还是可以说明一点点问题的哈。再比如，这两天看到的号称模型文件7MB、各大技术公众号都有推送的人脸检测模型DBFace，确实参数很少，模型很小，但也没那么夸张啦，而且我要说它是因为，我下载了它的github的源码，然后在我的树莓派上跑， 也是设置了(512,256)、(1024,512)、(2048,1150)三组参数，然后第三组参数成功让我的树莓派死机了，测试了几次第一组都要5、6秒的时间，用(320,240)的模型输入都要几秒的时间。所以这个模型在边缘端运行应该需要优化、量化，当然这部分我没做，所以这也是我自己实验存在问题哈。
  不过我们是不应该过分评价他人这样的开源工作的，作者开源让我们白嫖他的作品，比我这种白嫖别人的成果、还在这说这不好那不好的人对社会贡献更大的哈。所以，还是抱着尊敬之意说点自己的实验和理解。

世人作梅词，下笔便俗。予试作一篇，乃知前言不妄耳。

藤床纸帐朝眠起，说不尽无佳思。
沉香断续玉炉寒，伴我情怀如水。
笛声三弄，梅心惊破，多少春情意。
小风疏雨萧萧地，又催下千行泪。
吹箫人去玉楼空，肠断与谁同倚。
一枝折得，人间天上，没个人堪寄。
– 宋代-李清照 《孤雁儿·藤床纸帐朝眠起》