項目地址：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
近日，用戶Linzaer在Github上開源了一款適用於邊緣計算設備、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。
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，同樣適用於移動端、PC。
主要具有如下特性：
在模型大小上，默認FP32精度下（.pth）文件大小爲 1.04~1.1MB，推理框架int8量化後大小爲 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(主幹精簡速度略快)，version-RFB(加入了修改後的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，更好的工作於不同的應用場景。
支持onnx導出，便於移植推理。
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標籤配合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：
來源：開源最前線
