模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

乾明 编辑整理

量子位 报道 | 公众号 QbitAI

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

AI模型越来越小,需要的算力也也来越弱,但精度依旧有保障。

最新代表,是一个刚在GitHub上开源的中文项目:一款超轻量级通用人脸检测模型。

项目贡献者介绍,这一模型大小文件仅1MB,320×240输入下计算量仅90MFlops。

当然,效果也不弱于当前业界主流的开源人脸检测算法,甚至有所超越。

超轻量、通用

这一模型的贡献者为linzai,他介绍称,这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:

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。

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

目标就是在低算力设备中用ARM进行实时的通用场景的人脸检测推理。同时,这也适用于移动端环境(Android & IOS)、PC环境(CPU & GPU )等等。

GitHub项目页面介绍称,模型已经在Ubuntu16.04、Ubuntu18.04、Windows 10;Python3.6;Pytorch1.2;CUDA10.0 + CUDNN7.6等环境进行过测试,都能够保证正常运行。

模型设计,一共有两个版本,分别是:1)version-slim,主干精简速度略快,2)version-RFB,加入了修改后的RFB模块,精度更高。

而且还提供了320×240、640×480不同输入分辨率下使用widerface训练的预训练模型,能够更好的工作于不同的场景。

linzai介绍称,整个项目中没有特殊算子,支持onnx导出,从而便于移植推理。

效果不弱于当前主流开源算法

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

如此模型,效果/精度到底如何?

linzai也在GitHub项目页面放出了这一模型在精度、速度、场景测试、大小方面的测试。

参赛选手有两个,一个是Libfacedetection,OpenCV中文站站长于仕琪开源的人脸检测算法。

另一个是Retinaface-Mobilenet-0.25 (Mxnet)——当前业界最先进的开源人脸检测算法之一。

在Widerface数据集上的测试结果如下:

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

version-slim/version-RFB基本上都能够实现最优结果。

在树莓派4B MNN推理测试耗时上的测试结果为:

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

对比之下,version-slim版本的速度也不在下风。

在地铁站、万达广场、办公室等场景进行测试,结果上version-RFB也比较有优势。

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

更重要的是,新开源模型的轻量性:

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

传送门

在这个项目的GitHub页面,linzai也分享了如何生成VOC格式训练数据集以及训练流程,以及如何更好的使用这一模型的方法。

如果你有兴趣,不妨看一看~

版权所有,未经授权不得以任何形式转载及使用,违者必究。