Ultra-Light-Fast-Generic-Face-Detector-1MB1MB輕量級通用人臉檢測模型
作者表示該模型設計是為了邊緣計算裝置以及低功耗裝置（如arm）設計的實時超輕量級通用人臉檢測模型。它可以用於arm等低功耗計算裝置，實現實時的通用場景人臉。
檢測推理同樣適用於移動終端或pc機。
作者加入widerface測試程式碼，完善部分測試資料及新增MNN、NCNN C++推理程式碼等。
從模型大小來看，預設的fp32精度（.pth）檔案大小為1.04~1.1MB，推理幀int8約為300KB。在模型計算中，320x240的輸入解析度約為90~109mflops。該模型有兩個版本，版本slim（簡化速度稍快）、版本rfb（帶有修改後的rfb模組，精度更高）。提供使用320x240和640x480不同輸入解析度的Widerface培訓的預培訓模型，以便更好地在不同的應用場景中工作。支援onxx匯出，易於移植推理。作者測試過PC執行環境
Ubuntu16.04、Ubuntu18.04、Windows 10（inference）Python3.6Pytorch1.2CUDA10.0 + CUDNN7.6我們來看下速度、精度和模型大小對比資料
訓練集是使用Retinaface提供的清潔過的Wideface標記以及Wideface資料集生成的，以生成VOC訓練集（PS：以下測試結果由我本人測試，結果可能有所不同）。
Widerface測試情況
寬面測試集中的測試精度（單標度輸入解析度：320*240）
模型Easy SetMedium SetHard Setlibfacedetection v1（caffe）0.650.50.233libfacedetection v2（caffe）0.7140.5850.306官方 Retinaface-Mobilenet-0.25 (Mxnet)0.7450.5530.232version-slim0.7650.6620.385version-RFB0.7840.6880.418
寬面測試集中的測試精度（單刻度輸入解析度：VGA 640*480）
模型Easy SetMedium SetHard Setlibfacedetection v1（caffe）0.7410.6830.421libfacedetection v2（caffe）0.7730.7180.485官方 Retinaface-Mobilenet-0.25 (Mxnet)0.8790.8070.481version-slim0.7570.7210.511version-RFB0.8510.810.541
看看在樹莓派推理速度
樹莓pi 4b mnn推理測試時間（ms）（arm/a72x4/1.5ghz/輸入解析度：320x240/int8量化）
模型1核2核3核4核libfacedetection v12816129.7官方 Retinaface-Mobilenet-0.25 (Mxnet)462518.515version-slim2916129.5version-RFB3519.614.811
我們來看看模型大小資料比較
幾種主流開源輕量級人臉檢測模型的大小比較：
模型模型檔案大小（MB）libfacedetection v1（caffe）2.58libfacedetection v2（caffe）3.34官方 Retinaface-Mobilenet-0.25 (Mxnet)1.68version-slim1.04version-RFB1.11
生成voc格式的訓練資料集和訓練流程
一、下載wideface官方網站資料集或下載我提供的培訓集並將其提取到./data資料夾：
（1）過濾掉10px*10px面後乾淨的wideface資料壓縮包
（2）完整的未過濾小面寬面數據壓縮包
（注：如果下載上述（1）中的過濾包，則無需執行此步驟）
二、由於寬空間中有許多小而不清晰的面，不利於有效模型的收斂，因此需要進行過濾。訓練時，預設值是過濾10畫素x 10畫素的臉大小。
執行./data/wide_face_2_voc_add_landmark.py
python3 ./data/wider_face_2_voc_add_landmark.py程式執行並完成後，將在./data目錄中生成更寬的
“u face_add_lm_10_10”資料夾。解壓後文件夾資料和資料包（1）相同。完整的目錄結構如下：
data/ retinaface_labels/ test/ train/ val/ wider_face/ WIDER_test/ WIDER_train/ WIDER_val/ wider_face_add_lm_10_10/ Annotations/ ImageSets/ JPEGImages/ wider_face_2_voc_add_landmark.py三、VOC訓練集已準備就緒，在專案的根目錄中有兩個指令碼
train_mb_tiny_fd.sh和train_mb_tiny_rfb_fd.sh。
四、前者用於訓練slim版本模型，後者用於訓練rfb版本模型。已設定預設引數。有關微調，請參閱./train.py中每個訓練超引數的說明。
執行train_mb_tiny_fd.sh和train_mb_tiny_rfb_fd.sh
sh train_mb_tiny_fd.sh 或者 sh train_mb_tiny_RFB_fd.sh我們來看看幾張解析度為640*480的人臉檢測效果圖：
如果實際的生產場景是中距離、大面和小面，建議使用輸入尺寸輸入尺寸：320（320x240）解析度訓練，並使用320x240影象尺寸輸入進行預測推理，例如使用提供的預訓練模型。用於推理的mb_tiny_rfb_fd_train_320.pth輸入。如果實際的生產場景是中長距離、小面和大量面，建議：（1）最優：輸入大小輸入大小：640（640x480）解析度訓練，並使用相同或更大的輸入大小進行預測推理，如使用提供的訓練前模型mb_tiny_rfb_fd_train_640.pth進行推理，誤報率更低。（2）次優：輸入大小輸入大小：320（320x240）解析度訓練，並使用480x360或640x480大小輸入進行預測推理，對小臉更敏感，誤報會增加。每個場景的最佳結果都需要調整輸入解析度，以便在速度和精度之間取得平衡。過大的輸入解析度會提高小人臉的召回率，但也會增加大、近距離人臉的誤報率，推理速度會成倍增加。輸入解析度過小會顯著加快推理速度，但會大大降低小人臉的召回率。製作場景的輸入解析度應儘量與模型訓練的輸入解析度一致，上下浮動不宜過大。
相關資料集及程式碼大家可以在Github上找得到。