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

1. 简介

用户 Linzaer 在 Github 上推出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，320x240 输入下计算量仅 90MFlops。项目推出不久即引起了大家的关注，登上了今天的 Github trending。

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

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) 设计的一款实时超轻量级通用人脸检测模型，旨在能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，同样适用于移动端环境（Android & IOS）、PC 环境（CPU & GPU )。有如下几个特点：

• 在模型大小方面，默认 FP32 精度下（.pth）文件大小为 1.1MB，推理框架 int8 量化后大小为 300KB 左右。
• 在模型计算量方面，320x240 的输入分辨率下仅 90~109 MFlops 左右，足够轻量。
• 模型设计有两个版本，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。
• 无特殊算子，支持 onnx 导出，便于移植推理。

2. 测试过正常的运行环境

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

3. 精度、速度、场景测试、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（PS:以下测试结果均为本人测试，结果可能有部分出入）。

3.1 Widerface 测试

在 WIDER FACE test 集测试精度（单尺度输入分辨率：320240）

在 WIDER FACE test 集测试精度（单尺度输入分辨率：VGA 640480）

3.2 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）

3.3 场景测试

若干不同场景视频大致有效人脸检出数量测试（单位：个）（分辨率：VGA 640*480，阈值 0.6）：

3.4 模型大小比较

若干主流开源轻量级人脸检测模型大小比较 ：

此外，如果读者希望复现这些测试，或者亲自试试训练效果，那么可以直接下载 widerface 官网数据集或者下载作者提供的训练集。这些数据集都需要放到./data 文件夹，且需要过滤掉 10×10 像素以下的人脸。如果从官网下载的数据集，那么还需要运行一个脚本过滤太小的人脸。

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。

4. 网络结构

4.1 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）。

4.2 缺点

• 不支持人脸关键点检测

4.3 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。

4.4 适合的应用场景

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。

5. 最后