模型只有1MB，更轻的人脸检测模型是开源的，效果不弱于主流算法。AI模型越来越小，需要的计算能力越来越弱，但精度还是有保证的。最新的代表是刚刚在GitHub上开源的一个中国项目：超轻量级通用人脸检测模型。据项目贡献者介绍，该模型文件大小仅为1MB，在320x240输入下计算量仅为90MFlops。当然，效果不弱于目前业界主流的开源人脸检测算法，甚至有过之而无不及。超轻量级通用模型的贡献者是linzai。他说，这是一个为边缘计算设备或低计算设备（如ARM推理）设计的实时超轻量级通用人脸检测模型：默认FP32精度（.pth）文件大小为1.1MB，并且推理框架int8量化大小约为300KB。目标是在低计算设备的一般场景下使用ARM进行实时人脸检测和推理。同时，这也适用于移动环境（Android&IOS）、PC环境（CPU&GPU）等。根据GitHub项目页面，该模型已经在Ubuntu16.04、Ubuntu18.04、Windows10上进行了测试；Python3.6；火炬1.2；CUDA10.0+CUDNN7.6等环境，并能保证正常运行。模型设计有两个版本，分别是：1)version-slim，主干精简速度稍快，2)version-RFB，增加了修改后的RFB模块，精度更高。此外，它还提供了在320x240和640x480不同输入分辨率下使用widerface训练的预训练模型，可以在不同场景下更好地工作。据linzai介绍，整个项目没有专门的算子，支持onnx导出，便于移植和推理。效果不弱于目前主流的开源算法，那么效果/准确率如何呢？临仔也在GitHub项目页面发布了该模型在准确率、速度、场景测试、尺寸等方面的测试。参赛选手有两个，一个是Libfacedetection，OpenCV中文网负责人于世奇开源的人脸检测算法。另一个是Retinaface-Mobilenet-0.25(Mxnet)——业界最先进的开源人脸检测算法之一。在Widerface数据集上的测试结果如下：version-slim/version-RFB基本可以达到最优效果。树莓派4BMNN推理测试耗时测试结果如下：相比之下，version-slim版本的速度并不处于劣势。在地铁站、万达广场、写字楼等场景进行测试，结果表明version-RFB同样具有优势。更重要的是，新开源模型的轻量级：传送门在这个项目的GitHub页面上，林仔还分享了如何生成VOC格式的训练数据集和训练过程，以及如何更好地使用这个模型。有兴趣的话不妨看看~
