模型僅1MB，更輕量的人臉檢測模型開源，效果不弱于主流算法
乾明 編輯整理
量子位 報道 | 公眾號 QbitAI
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上開源的中文項目：一款超輕量級通用人臉檢測模型。
項目貢獻(xiàn)者介紹，這一模型大小文件僅1MB，320×240輸入下計算量僅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，這是針對邊緣計算設(shè)備或低算力設(shè)備(如用ARM推理)設(shè)計的一款實(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，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320×240、640×480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。
相關(guān)閱讀
2天訓(xùn)練出15億參數(shù)大模型，國產(chǎn)開源項目力克英偉達(dá)Megatron-LM，來自LAMB作者團(tuán)隊
只用一半GPU，訓(xùn)練同款大模型
