文章目录
【精华】最强六大开源轻量级人脸检测项目分析
随着深度学习的兴起，工业界和学术界越来越多的使用基于深度学习的方法，而不是传统的基于模板匹配，纹理提取或者像素积分图等方法。因为人脸检测本身并不属于特别复杂的任务，因此轻量级的深度学习模型即可满足该任务。本文汇总了六大开源的人脸检测项目。
虽说深度学习是个黑箱，但基于深度学习的通用目标检测算法（例 如 Faster-RCNN，SSD，YoloV3、 RetinaNet 等）的检测效果和鲁棒性，远远的超过基于纹理、边缘、Harr 特征、Sift 特征的传统计算机视觉方法，而且近几年随着模型压缩、量化技术的进步，模型运行速度也越来越快。
对于通用的目标检测算法，以大家常用的 SSD 和 YoloV3 算法为例，因为算法在设计之初，是为 Pascal VOC 或者 COCO 这种 20 类 和 80 类的多类别任务设计的，因此其 backbone 网络，也就是特征提取网络一般使用 VGG16、Darknet53、ResNet18 这种网络，这些网络的一个通用特点是，其卷积层的卷积核数目通常比较多（例如 256，512），导致模型参数量动辄几千万，运算量巨大。
如果我们拿这些通用目标检测算法来检测一类，比如只检测人脸、行人或者车辆时，使用那么多的卷积核数量、那么深的网络其实是不必要的。如果要检测 80 个类别，可能需要更多参数量来拟合，但是对于一两个类别，其实是有点杀鸡用宰牛刀了，如果你的任务不复杂，却用了 ResNet18/34 这种网络，你会发现很多卷积核的激活，其实是 0，导致白白多增加了很多计算量。所以，针对特定的人脸检测任务，其实一些非常轻量级的网络即可满足任务要求。
对于比赛刷榜，我们可以用很大的模型，例如某 AI 公司在 WiderFace 上夺冠的模型，结构用 RetinaNet，backbone 用 ResNet152，另外，FPN 结构也安排上，多模型融合安排上，更多的 anchor 组数安排上，这样的模型对于刷榜非常实用，但是在工业界非常不实用，假如要部署到 ARM 的嵌入式设备上，大概率直接卡死。
随着 AI 落地为王时代的到来，大家越来越注重精度和速度的权衡（trade off），本文精选了六大轻量级的开源人脸检测项目，并对其进行简单赏析和介绍。
言归正传，下面我们按照 Github 上 star 数目从高到低依次介绍。
1 libfacedetection
Github star: 9.3k
作者：于仕琪
链接：https://github.com/ShiqiYu/libfacedetection
模型参数量：232 万，体积 3.34M
前几天元峰已经对该项目进行过一次介绍了，该项目使用一个 SSD 架构的人脸检测模型，在酷睿 i7 的 CPU 上，320x240 分辨率下可以达到 296.21 FPS，下图是该项目在不同分辨率和单线程下的速度概览。
模型结构也比较简单，就是一个轻量级的 SSD 架构，共四个定位层，而且借鉴了 RetinFace 的关键点方法，可以同时回归 5 个关键点。模型体积只有 232 万，体积仅有 3.34M
该项目的最大亮点，其实是于老师搞了一个纯 C++ 的推理版本，不依赖第三方深度学习库，非常有利于工程部署。
2 Ultra-Light-Fast-Generic-Face-Detector-1MB
Github star: 4.7k
作者：Linzaer
链接：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
体积：1.04M， int8 量化后 300KB
该模型是针对边缘计算设备设计的人脸检测模型。并提供了精简网络和 RFB 网络两种，在 320x240 的输入分辨率下 90~109 FPS 左右。
该模型的结构与上述于老师的模型结构非常相似，也是 SSD 架构，共有 4 个定位层，模型结构如下图所示。
另外，该项目提供了 NCNN、MNN、Caffe、Onnx、Opencv 的推理代码，可以给我们部署项目提供大量参考样例。
3 A-Light-and-Fast-Face-Detector-for-Edge-Devices
Github star: 897
作者：YonghaoHe
链接：https://github.com/YonghaoHe/A-Light-and-Fast-Face-Detector-for-Edge-Devices
体积：6.1 M
从名字可以看出来，这也是一个面向边缘设备的检测模型，该模型同样是 SSD 架构的，不过相比前述两个模型，该模型有八个定位层，分别对应 tiny、small、medium 和 large 四个尺度，backbone 网络共有 25 个卷积层。
该模型在 Nvidia TX2 下，320x240 分辨率下可以达到 50.92 FPS。
另外，该 repo 还提供了人头检测、行人检测、车辆检测的代码和模型。
4 CenterFace
Github star: 607
作者：Star-Clouds
链接：https://github.com/Star-Clouds/CenterFace
体积：7.3 M、同精度小模型 2.3M
CenterFace 是 anchor free 的模型结构，应该算是 CenterNet 针对人脸检测任务的特例，这一点上跟 RetinaFace 作为 RetinaNet 的在人脸任务的特例有异曲同工之妙，而且该模型同时回归了五个关键点。
该网络的 backbone 是 MobileNetV2，额外添加了 FPN 结构。
下图是 CenterFace 的速度，在 2080TI 上可以仅 4.4ms。Anchor Free 的模型，没有 NMS 的过程，也能节省很多后处理时间。
5 DBFace
Github star: 195
作者：dlunion
链接：https://github.com/dlunion/DBFace
体积：7.03M
DBFace 是一个 Anchor Free 的网络结构，模型原理可以说与 CenterFace 非常相似。这里不再展开详细的介绍了。
6 RetinaFace MobileNet0.25
Github star: 不好定义（6.4k）
作者：yangfly
链接：https://github.com/deepinsight/insightface/issues/669
体积：1.68M
这个项目来自于知名的 InsightFace 项目，该项目在 Github 有 6.4k star，InsightFace 提出了知名的 RetinaFace、ArcFace 算法，而且开源了详细的训练代码和预训练模型，可以说是非常良心的开源项目。
但是 RetinaFace（应该是受 RetianNet 的结构启发而成）本身的 backbone 是 ResNet50，yangfly 大佬将其替换为了 MobileNet0.25，模型大小仅 1.68MB。RetinaFace 的模型结构如下，这里的 backbone 网络是 MobileNet 0.25。
根据作者的开源结果，我们对以上 6 大开源轻量级人脸检测做一个速度和准确度的对比汇总。
| 名称 | 模型大小（MB） | 速度（FPS） | WiderFace Easy | WiderFace Medium | WiderFace Hard |
|---|---|---|---|---|---|
| libfacedetection | 3.34 | 296（i7CPU， 320x240） | 0.773 | 0.718 | 0.485 |
| UltraLightFace | 1.04 | 109（ 320x240） | 0.853 | 0.819 | 0.539 |
| LightFast | 5.81 | 131（Titan xp， 640x480） | 0.910 | 0.881 | 0.780 |
| CenterFace | 7.3 | 227（2080TI，640x480） | 0.931 | 0.924 | 0.870 |
| DBFace | 7.03 | 0.905 | 0.896 | 0.794 | |
| RetinaFace MobileNet0.25 | 1.68 | 0.887 | 0.87 | 0.791 |
