超超超轻量人脸检测和关键点识别算法

适用于移动端或者边缘计算的轻量人脸检测和关键点检测模型，模型仅仅1M多。主要基于RetinaFace结构简化，删除了前面几个大特征图上的Head，因此小目标的人脸检测可能会有影响，在一般应用场景下影响不大。

这里速度最快的是mobilenet_v2_0.1,效果如图：

WiderFace验证集测试

Models	Easy	Medium	Hard	Model Size
mobilenetv1_0.25	0.91718	0.79766	0.3592	1.6 M
mobilenetv2_0.1	0.85330	0.68946	0.2993	1.3 M
mobilenetv3_small	0.93419	0.83259	0.3850	2.8 M
efficientnet-b0	0.93167	0.81466	0.37020	16.4 M
mobilenetv2_0.1_lite	0.18020	0.097561	0.04066	254.9 k
mobilenetv2_0.1_lite_2fpn	0.20808	0.112657	0.04695	337.8 k
mobilenetv2_0.1_lite_3fpn	0.80379	0.716958	0.34924	426 k
mobilenetv2_0.1_lite_3pan	0.83309	0.77181	0.5301	643.7 k
mobilenetv2_0.1_lite_4pan	0.83965	0.791419	0.5964	813 k

最终使用Mobilenet+PANet实现了一个大小仅仅813k，效果还不错的人脸检测模型，效果如图：

训练数据

使用了带关键点的widerface数据集训练，链接：https://pan.baidu.com/share/init?surl=jIp9t30oYivrAvrgUgIoLQ （ruck）

模型训练

下载骨干网络权重：https://pan.baidu.com/s/1zhyL9ULuIi1KdtXzhSQ4yQ 提取码: urei

这里实验了四个轻量骨干网络mobilenetv1, mobilenetv2, mobilenetv3, efficientnetb0.

新建weights文件夹并放入上面下载的权重，结构如：

./weights/
      mobilenet0.25_Final.pth
      mobilenetV1X0.25_pretrain.tar
      efficientnetb0_face.pth
      mobilenetv3.pth
      mobilenetv2_0.1_face.pth
      ...

设置你的训练参数(e.g. batch_size, min_sizes and steps etc..) ，见配置文件data/config.py和train.py.

  CUDA_VISIBLE_DEVICES=0,1,2,3 python train.py --network mobilenetv1
  CUDA_VISIBLE_DEVICES=0 python train.py --network mobilenetv1

模型评估

python test_widerface.py --trained_model weight_file --network mobilenetv1(or mobilenetv2, mobilenetv3, efficientnetb0)

然后

cd ./widerface_evaluate
python setup.py build_ext --inplace
python evaluation.py

完整项目代码

见我的github: https://github.com/midasklr/LightWeightFaceDetector

Android部署

https://blog.csdn.net/IEEE_FELLOW/article/details/108420007

人脸识别

https://blog.csdn.net/IEEE_FELLOW/article/details/108438428