Ultra-Light-Fast-Generic-Face-Detector-1MB

1MB輕量級通用人臉檢測模型

作者表示該模型設計是為了邊緣計算設備以及低功耗設備（如arm）設計的實時超輕量級通用人臉檢測模型。它可以用于arm等低功耗計算設備，實現實時的通用場景人臉。

檢測推理同樣適用于移動終端或pc機。

作者加入widerface測試代碼，完善部分測試數據及添加MNN、NCNN C++推理代碼等。

• 從模型大小來看，默認的fp32精度（.pth）文件大小為1.04~1.1MB，推理幀int8約為300KB。
• 在模型計算中，320x240的輸入分辨率約為90~109mflops。
• 該模型有兩個版本，版本slim（簡化速度稍快）、版本rfb（帶有修改后的rfb模塊，精度更高）。
• 提供使用320x240和640x480不同輸入分辨率的Widerface培訓的預培訓模型，以便更好地在不同的應用場景中工作。
• 支持onxx導出，易于移植推理。

作者測試過PC運行環境

• Ubuntu16.04、Ubuntu18.04、Windows 10（inference）
• Python3.6
• Pytorch1.2
• CUDA10.0 + CUDNN7.6

我們來看下速度、精度和模型大小對比數據

訓練集是使用Retinaface提供的清潔過的Wideface標記以及Wideface數據集生成的，以生成VOC訓練集（PS：以下測試結果由我本人測試，結果可能有所不同）。

Widerface測試情況

寬面測試集中的測試精度（單標度輸入分辨率：320*240）

模型Easy SetMedium SetHard Setlibfacedetection v1（caffe）0.650.50.233libfacedetection v2（caffe）0.7140.5850.306官方 Retinaface-Mobilenet-0.25 (Mxnet)0.7450.5530.232version-slim0.7650.6620.385version-RFB0.7840.6880.418

寬面測試集中的測試精度（單刻度輸入分辨率：VGA 640*480）

模型Easy SetMedium SetHard Setlibfacedetection v1（caffe）0.7410.6830.421libfacedetection v2（caffe）0.7730.7180.485官方 Retinaface-Mobilenet-0.25 (Mxnet)0.8790.8070.481version-slim0.7570.7210.511version-RFB0.8510.810.541

看看在樹莓派推理速度

樹莓pi 4b mnn推理測試時間（ms）（arm/a72x4/1.5ghz/輸入分辨率：320x240/int8量化）

模型1核2核3核4核libfacedetection v12816129.7官方 Retinaface-Mobilenet-0.25 (Mxnet)462518.515version-slim2916129.5version-RFB3519.614.811

我們來看看模型大小數據比較

幾種主流開源輕量級人臉檢測模型的大小比較：

模型模型文件大小（MB）libfacedetection v1（caffe）2.58libfacedetection v2（caffe）3.34官方 Retinaface-Mobilenet-0.25 (Mxnet)1.68version-slim1.04version-RFB1.11

生成voc格式的訓練數據集和訓練流程

一、下載wideface官方網站數據集或下載我提供的培訓集并將其提取到./data文件夾：

（1）過濾掉10px*10px面后干凈的wideface數據壓縮包

（2）完整的未過濾小面寬面數據壓縮包

（注：如果下載上述（1）中的過濾包，則無需執行此步驟）

二、由于寬空間中有許多小而不清晰的面，不利于有效模型的收斂，因此需要進行過濾。訓練時，默認值是過濾10像素x 10像素的臉大小。

運行./data/wide_face_2_voc_add_landmark.py

python3 ./data/wider_face_2_voc_add_landmark.py

程序運行并完成后，將在./data目錄中生成更寬的

“u face_add_lm_10_10”文件夾。解壓后文件夾數據和數據包（1）相同。完整的目錄結構如下：

data/retinaface_labels/test/train/val/wider_face/WIDER_test/WIDER_train/WIDER_val/wider_face_add_lm_10_10/Annotations/ImageSets/JPEGImages/wider_face_2_voc_add_landmark.py

三、VOC訓練集已準備就緒，在項目的根目錄中有兩個腳本

train_mb_tiny_fd.sh和train_mb_tiny_rfb_fd.sh。

四、前者用于訓練slim版本模型，后者用于訓練rfb版本模型。已設置默認參數。有關微調，請參閱./train.py中每個訓練超參數的說明。

運行train_mb_tiny_fd.sh和train_mb_tiny_rfb_fd.sh

sh train_mb_tiny_fd.sh 或者 sh train_mb_tiny_RFB_fd.sh

我們來看看幾張分辨率為640*480的人臉檢測效果圖：

• 如果實際的生產場景是中距離、大面和小面，建議使用輸入尺寸輸入尺寸：320（320x240）分辨率訓練，并使用320x240圖像尺寸輸入進行預測推理，例如使用提供的預訓練模型。用于推理的mb_tiny_rfb_fd_train_320.pth輸入。
• 如果實際的生產場景是中長距離、小面和大量面，建議：
• （1）最優：輸入大小輸入大小：640（640x480）分辨率訓練，并使用相同或更大的輸入大小進行預測推理，如使用提供的訓練前模型mb_tiny_rfb_fd_train_640.pth進行推理，誤報率更低。
• （2）次優：輸入大小輸入大小：320（320x240）分辨率訓練，并使用480x360或640x480大小輸入進行預測推理，對小臉更敏感，誤報會增加。

• 每個場景的最佳結果都需要調整輸入分辨率，以便在速度和精度之間取得平衡。
• 過大的輸入分辨率會提高小人臉的召回率，但也會增加大、近距離人臉的誤報率，推理速度會成倍增加。
• 輸入分辨率過小會顯著加快推理速度，但會大大降低小人臉的召回率。
• 制作場景的輸入分辨率應盡量與模型訓練的輸入分辨率一致，上下浮動不宜過大。

相關數據集及代碼大家可以在Github上找得到。

總結

以上是生活随笔為你收集整理的3模型大小_Github推荐一个国内牛人开发的超轻量级通用人脸检测模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。