[[279121]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

AI模型越來越小，需要的算力也也來越弱，但精度依舊有保障。

最新代表，是一個剛在GitHub上開源的中文項(xiàng)目：一款超輕量級通用人臉檢測模型。

項(xiàng)目貢獻(xiàn)者介紹，這一模型大小文件僅1MB，320x240輸入下計(jì)算量僅90MFlops。

當(dāng)然，效果也不弱于當(dāng)前業(yè)界主流的開源人臉檢測算法，甚至有所超越。

超輕量、通用

這一模型的貢獻(xiàn)者為linzai，他介紹稱，這是針對邊緣計(jì)算設(shè)備或低算力設(shè)備(如用ARM推理)設(shè)計(jì)的一款實(shí)時超輕量級通用人臉檢測模型：

默認(rèn)FP32精度下（.pth）文件大小為 1.1MB，推理框架int8量化后大小為 300KB 左右。

目標(biāo)就是在低算力設(shè)備中用ARM進(jìn)行實(shí)時的通用場景的人臉檢測推理。同時，這也適用于移動端環(huán)境（Android & IOS）、PC環(huán)境（CPU & GPU )等等。

GitHub項(xiàng)目頁面介紹稱，模型已經(jīng)在Ubuntu16.04、Ubuntu18.04、Windows 10；Python3.6；Pytorch1.2；CUDA10.0 + CUDNN7.6等環(huán)境進(jìn)行過測試，都能夠保證正常運(yùn)行。

模型設(shè)計(jì)，一共有兩個版本，分別是：1）version-slim，主干精簡速度略快，2）version-RFB，加入了修改后的RFB模塊，精度更高。

而且還提供了320x240、640x480不同輸入分辨率下使用widerface訓(xùn)練的預(yù)訓(xùn)練模型，能夠更好的工作于不同的場景。

linzai介紹稱，整個項(xiàng)目中沒有特殊算子，支持onnx導(dǎo)出，從而便于移植推理。

效果不弱于當(dāng)前主流開源算法

如此模型，效果/精度到底如何？

linzai也在GitHub項(xiàng)目頁面放出了這一模型在精度、速度、場景測試、大小方面的測試。

參賽選手有兩個，一個是Libfacedetection，OpenCV中文站站長于仕琪開源的人臉檢測算法。

另一個是Retinaface-Mobilenet-0.25 (Mxnet)——當(dāng)前業(yè)界最先進(jìn)的開源人臉檢測算法之一。

在Widerface數(shù)據(jù)集上的測試結(jié)果如下：

version-slim/version-RFB基本上都能夠?qū)崿F(xiàn)最優(yōu)結(jié)果。

在樹莓派4B MNN推理測試耗時上的測試結(jié)果為：

對比之下，version-slim版本的速度也不在下風(fēng)。

在地鐵站、萬達(dá)廣場、辦公室等場景進(jìn)行測試，結(jié)果上version-RFB也比較有優(yōu)勢。

更重要的是，新開源模型的輕量性：

傳送門

在這個項(xiàng)目的GitHub頁面，linzai也分享了如何生成VOC格式訓(xùn)練數(shù)據(jù)集以及訓(xùn)練流程，以及如何更好的使用這一模型的方法。

如果你有興趣，不妨看一看~