大小僅1MB，超輕量級通用人臉檢測模型登上GitHub趨勢榜

近日，用戶 Linzaer 在 Github 上推出了一款適用於邊緣計算設備、移動端設備以及 PC 的超輕量級通用人臉檢測模型，該模型文件大小僅 1MB，320x240 輸入下計算量僅 90MFlops。項目推出不久即引發了你們的關注，登上了今天的 Github trending。

機器之心報道，項目做者：Linzaer。

項目地址：github.com/Linzaer/Ult…

如下是做者對此項目的介紹：

該模型設計是針對邊緣計算設備或低算力設備 (如用 ARM 推理) 設計的一款實時超輕量級通用人臉檢測模型，旨在能在低算力設備中如用 ARM 進行實時的通用場景的人臉檢測推理，一樣適用於移動端環境（Android & IOS）、PC 環境（CPU & GPU )。有以下幾個特色：

• 在模型大小方面，默認 FP32 精度下（.pth）文件大小爲 1.1MB，推理框架 int8 量化後大小爲 300KB 左右。

• 在模型計算量方面，320x240 的輸入分辨率下僅 90~109 MFlops 左右，足夠輕量。

• 模型設計有兩個版本，version-slim(主幹精簡速度略快)，version-RFB(加入了修改後的 RFB 模塊，精度更高)。

• 提供了 320x240、640x480 不一樣輸入分辨率下使用 widerface 訓練的預訓練模型，更好的工做於不一樣的應用場景。

• 無特殊算子，支持 onnx 導出，便於移植推理。

測試過正常的運行環境

• Ubuntu16.0四、Ubuntu18.0四、Windows 10

• Python3.6

• Pytorch1.2

• CUDA10.0 + CUDNN7.6

精度、速度、場景測試、模型大小比較

訓練集是使用 Retinaface 提供的清理過的 widerface 標籤配合 widerface 數據集生成 VOC 訓練集（PS:如下測試結果均爲本人測試，結果可能有部分出入）。

Widerface 測試

在 WIDER FACE test 集測試精度（單尺度輸入分辨率：320*240）

在 WIDER FACE test 集測試精度（單尺度輸入分辨率：VGA 640*480）

終端設備推理速度

樹莓派 4B MNN 推理測試耗時 (單位：ms)（ARM/A72x4/1.5GHz/輸入分辨率 : 320x240 /int8 量化）

場景測試

若干不一樣場景視頻大體有效人臉檢出數量測試（單位：個）（分辨率：VGA 640*480，閾值 0.6）：

模型大小比較

若干主流開源輕量級人臉檢測模型大小比較 ：

此外，若是讀者但願復現這些測試，或者親自試試訓練效果，那麼能夠直接下載 widerface 官網數據集或者下載做者提供的訓練集。這些數據集都須要放到./data 文件夾，且須要過濾掉 10×10 像素如下的人臉。若是從官網下載的數據集，那麼還須要運行一個腳本過濾過小的人臉，所以最好的方法就是直接下載做者提供已過濾的數據集。

• 下載地址：https://pan.baidu.com/share/init?surl=m600pp-AsNot6XgIiqDlOw

• 提取碼：x5gt

在移除了 10*10 像素如下的極小人臉後，這個超輕量人臉檢測模型能識別該圖中的335張人臉。

至此 VOC 訓練集準備完畢，項目根目錄下分別有 train_mb_tiny_fd.sh 和 train_mb_tiny_RFB_fd.sh 兩個腳本，前者用於訓練 slim 版本模型，後者用於訓練 RFB 版本模型，默認參數已設置好，參數如需微調請參考 ./train.py 中關於各訓練超參數的說明。