人脸检测之Ultra-Light-Fast-Generic-Face-Detector-1MB

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

 

优点：

基于ssd修改。速度超级快，MNN上测试，MTCNN得20ms，该模型只要4ms。精度上不如MTCNN。

支持NCNN，MNN。包含2个版本的模型，slim版本（速度快）和RFB版本（精度高）。

缺点：

不支持人脸关键点检测

 

Widerface测试：

在WIDER FACE val集测试精度（单尺度输入分辨率：320*240 或按最大边长320等比缩放）

模型	Easy Set	Medium Set	Hard Set
libfacedetection v1（caffe）	0.65	0.5	0.233
libfacedetection v2（caffe）	0.714	0.585	0.306
Retinaface-Mobilenet-0.25 (Mxnet)	0.745	0.553	0.232
version-slim	0.765	0.662	0.385
version-RFB	0.784	0.688	0.418

在WIDER FACE val集测试精度（单尺度输入分辨率：VGA 640*480 或按最大边长640等比缩放 ）

模型	Easy Set	Medium Set	Hard Set
libfacedetection v1（caffe）	0.741	0.683	0.421
libfacedetection v2（caffe）	0.773	0.718	0.485
Retinaface-Mobilenet-0.25 (Mxnet)	0.879	0.807	0.481
version-slim	0.757	0.721	0.511
version-RFB	0.851	0.81	0.541

该部分主要是测试模型在中小分辨率下的测试集效果。

 

 

模型大小比较：

若干开源轻量级人脸检测模型大小比较 ：

模型	模型文件大小（MB）
libfacedetection v1（caffe）	2.58
libfacedetection v2（caffe）	3.34
官方 Retinaface-Mobilenet-0.25 (Mxnet)	1.68
version-slim	1.04
version-RFB	1.11

 

实验结果：

 

anchor设计：

该模型结构基于ssd进行修改。原始ssd有6个分支做预测，这里只采用了4个分支做预测。每一个分支的基础anchor分别为3个，2个，2个，3个。

如config文件中，

min_boxes = [[10, 16, 24], [32, 48], [64, 96], [128, 192, 256]]

原始的输入图片大小固定了，网络的结构固定了，每一个分支的输出的特征图大小就定下来了。然后anchor唯一可以调的参数，就是上面的了。

 

总结：

边缘计算，嵌入式设备计算，精度要求不是很高，速度要求很快，的场合的很好选择。