AI 笔记 - 开源轻量级人脸检测项目
开源轻量级人脸检测项目
- 引言
- 项目解析
- [libfacedetection 于仕琪](https://github.com/ShiqiYu/libfacedetection)
- [Ultra-Light-Fast-Generic-Face-Detector-1MB Linzaer](https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB)
- [A-Light-and-Fast-Face-Detector-for-Edge-Devices YonghaoHe](https://github.com/YonghaoHe/A-Light-and-Fast-Face-Detector-for-Edge-Devices)
- [CenterFace Star-Clouds](https://github.com/Star-Clouds/CenterFace)
- DBFace
- [RetinaFace MobileNet0.25](https://github.com/deepinsight/insightface/issues/669)
- 参考
引言
轻量级人脸检测项目通常具有模型小、速度快、精度高的特点，非常适合在资源受限的设备上运行，如嵌入式设备、移动设备等。
- libfacedetection
- Ultra-Light-Fast-Generic-Face-Detector-1MB
- A-Light-and-Fast-Face-Detector-for-Edge-Devices
- CenterFace
- DBFace
- RetinaFace MobileNet0.25。
项目解析
libfacedetection 于仕琪
- 模型：使用SSD架构的人脸检测模型，模型体积小（3.34M）
- 速度：在酷睿i7的CPU上，320x240分辨率下可达到296.21 FPS
- 亮点：提供了一个纯C++的推理版本，不依赖第三方深度学习库，便于工程部署
- 应用场景：实时性要求较高的场景，如视频通话、实时监控系统等
Ultra-Light-Fast-Generic-Face-Detector-1MB Linzaer
- 模型：1.04M，int8量化后仅300KB
- 速度：在320x240的输入分辨率下可达到90~109 FPS
- 亮点：提供了NCNN、MNN、Caffe等多种推理代码，便于部署
- 应用场景：资源受限的嵌入式设备，如智能摄像头、智能门禁
A-Light-and-Fast-Face-Detector-for-Edge-Devices YonghaoHe
- 模型：采用SSD架构，有八个定位层，backbone网络共有25个卷积层
- 速度：在Nvidia TX2下，320x240分辨率下可达到50.92 FPS。
- 应用场景：需要较高检测精度的边缘设备场景
CenterFace Star-Clouds
- 模型：Anchor Free的模型结构，backbone为MobileNetV2，额外添加了FPN结构
- 速度：在2080TI上仅需4.4ms即可完成检测，没有NMS过程，节省后处理时间。
- 应用场景：实时性和精度都有较高要求的场景
DBFace
- 模型：与CenterFace类似的Anchor Free网络结构，模型原理相似
- 应用场景：需要快速部署和高效运行的场景
RetinaFace MobileNet0.25
- 论文地址
参考
深度解析六大开源轻量级人脸检测项目：从理论到实践
轻量级人脸检测：libfacedetection和DBFace
通俗解读人脸检测框架-RetinaFace
retinaface - 人脸检测网络解析
目标检测中的评价指标 mAP 理解及计算