史上最强轻量级人脸检测，全面超越retinaface

 

本人历时一年，自研一款轻量级人脸检测，模型大小5.43m，在widerface验证集上精度如下：

MAP@0.5 Result on validation set of WiderFace

 

Style	easy	medium	hard
pelee改进版	92.69%	91.06%	80.52%

 

原版开源retinaface参考网址：

https://github.com/biubug6/Pytorch_Retinaface

widerface验证集精度：

Style	easy	medium	hard
Pytorch (same parameter with Mxnet)	88.67%	87.09%	80.99%
Pytorch (original image scale)	90.70%	88.16%	73.82%
Mxnet	88.72%	86.97%	79.19%
Mxnet(original image scale)	89.58%	87.11%	69.12%

 

本人测试过，精度高于dbface，高于centerface。

 

本人研发的简称pelee版，

做了以下改进：

pelee网络通道数改进设置，参数量比原版pelee减少1/3，

fpn改进，更新为bifpn。

 

本次开放源码，包含模型，测试，训练代码：

https://download.csdn.net/download/jacke121/17277685

数据集部分：

笔者发现widerface训练集有标注错误的地方：

有的特别模糊，但是标注了人脸

有的稍微模糊，但是作为了负样本。

还有其他的漏标，错标，等情况，

笔者历时2个月，不分昼夜，一张一张图片重新标注，整理，清洗，整理出新的数据集。

 

数据集地址：

链接：https://pan.baidu.com/s/1IqUlOxVVUAvaCb5lgBCLtw 
提取码：7336 
 

 

测试代码：

retinaface 原版测试代码：

因本人的代码有所修改，测试代码参考

https://github.com/biubug6/Pytorch_Retinaface

detect_img_m0.25.py

pelee版检测代码：

detect_img_my.py

 

训练代码：

train_multipro_map_0125.py

改进部分：

1.核心网络

2.特征融合

3.学习率衰减机制

4.动态调整los

5.正负样本筛选机制

 

测试说明：

阈值设置为0.8

 

下面是样例图测试结果：

 

mobilenet0.25：

 

pelee版：

 

mobilenet0.25版：

pelee改进版：

也可以下面微信联系我