深度学习-Ultra-Light-Fast-Generic-Face-Detector-1MB网络结构详解

近日，用户Linzaer在Github上开源了一款适用于边缘计算设备、移动端设备以及 PC 的超轻量级通用人脸检测模型，该模型文件大小仅1MB，一经开源就霸榜Github Trending榜单。

短短几天时间，已经在Github上标星2.1K，398个Fork（Github地址：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB）

据Linzaer介绍，该模型设计是针对边缘计算设备或低算力设备(如用ARM推理)设计的，可以在低算力设备中如用ARM进行实时的通用场景的人脸检测推理，同样适用于移动端、PC。

主要具有如下特性：
在模型大小上，默认FP32精度下（.pth）文件大小为 1.04~1.1MB，推理框架int8量化后大小为 300KB 左右。

在模型计算量上，320x240的输入分辨率下 90~109 MFlops左右。

模型有两个版本，version-slim(主干精简速度略快)，version-RFB(加入了修改后的RFB模块，精度更高)。

提供了320x240、640x480不同输入分辨率下使用widerface训练的预训练模型，更好的工作于不同的应用场景。

支持onnx导出，便于移植推理。

目前测试过正常的运行环境如下：
Ubuntu16.04、Ubuntu18.04、Windows 10（inference）

Python3.6

Pytorch1.2

CUDA10.0 + CUDNN7.6

精度、速度、模型大小比较
训练集是使用Retinaface提供的清理过的widerface标签配合widerface数据集生成VOC训练集
Widerface测试

在WIDER FACE test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）
640?wx_fmt=png

在WIDER FACE test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 ）


终端设备推理速度

树莓派4B MNN推理测试耗时 (单位：ms)（ARM/A72x4/1.5GHz/输入分辨率 : 320x240 /int8量化）

模型大小比较

图片效果如下：

在移除了 10*10 像素以下的极小人脸后，这个超轻量人脸检测模型能识别该图中的335张人脸。

至此 VOC 训练集准备完毕，项目根目录下分别有 train_mb_tiny_fd.sh 和 train_mb_tiny_RFB_fd.sh 两个脚本，前者用于训练 slim 版本模型，后者用于训练 RFB 版本模型，默认参数已设置好，参数如需微调请参考 ./train.py 中关于各训练超参数的说明。

下载地址：https://pan.baidu.com/share/init?surl=m600pp-AsNot6XgIiqDlOw

提取码：x5gt

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