近日，用戶Linzaer在Github上開源了一款適用于邊緣計算設備、移動端設備以及 PC 的超輕量級通用人臉檢測模型，該模型文件大小僅1MB，一經開源就霸榜Github Trending榜單。

短短幾天時間，已經在Github上標星2.1K，398個Fork(Github地址：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB)

據Linzaer介紹，該模型設計是針對邊緣計算設備或低算力設備(如用ARM推理)設計的，可以在低算力設備中如用ARM進行實時的通用場景的人臉檢測推理，同樣適用于移動端、PC。

主要具有如下特性：

• 在模型大小上，默認FP32精度下(.pth)文件大小為 1.04~1.1MB，推理框架int8量化后大小為 300KB 左右。
• 在模型計算量上，320x240的輸入分辨率下 90~109 MFlops左右。
• 模型有兩個版本，version-slim(主干精簡速度略快)，version-RFB(加入了修改后的RFB模塊，精度更高)。
• 提供了320x240、640x480不同輸入分辨率下使用widerface訓練的預訓練模型，更好的工作于不同的應用場景。
• 支持onnx導出，便于移植推理。

目前測試過正常的運行環境如下：

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

精度、速度、模型大小比較

訓練集是使用Retinaface提供的清理過的widerface標簽配合widerface數據集生成VOC訓練集

Widerface測試

在WIDER FACE test集測試精度(單尺度輸入分辨率：320*240 或按最大邊長320等比縮放)

在WIDER FACE test集測試精度(單尺度輸入分辨率：VGA 640*480 或按最大邊長640等比縮放 )

終端設備推理速度

樹莓派4B MNN推理測試耗時 (單位：ms)(ARM/A72x4/1.5GHz/輸入分辨率 : 320x240 /int8量化)

模型大小比較

圖片效果如下：