libfacedetection第三世代ついにオープン、私はすぐにPidianpidian弟は確かに非常に強力な、それを見に行きました、と。libfacedetection V3がリソース消費クリアケースを増加させることなく、比較libfacedetection V2は顔の特徴のリターンを増加させる、それが軽量MTCNNとして見ることができます。私はgithubのは、同じ上記の二つのモデルの長所と短所を比較したい気まぐれので、非常に高速なハードウェア超軽量汎用顔検出器、あると思います。
まず、今日の二つの主要な文字で導入し、libfacedetection深セン大学はにlibfacedetection V1、V2、イテレーション、V3のの、より伝統的なアルゴリズムからの合計を経験した教師の仕事、以上です。プロジェクトのハイライトは、（1）は、畳み込み演算の一つのプールと標準化などを含む、独自のセットを達成するためのフレームワークを提供します。（2）軽量の顔検出モデルを提供します。このプロジェクトは、誰かの顔検出を必要とする福音エンジニア、基本的にはクローンダウンと言うことができるので、2つ（GAI）回（夏）オープン（扁）毛（梁）が~~~~最初のバージョンであることができます。彼はPCとボード上で同時に歩くことができるようlibfacedetectionフレームワークはまた、加速度、NEONに基づいSSEアクセラレーションを含み、フレームワークの特徴は、このように確保し、データではなく、通常のCHWが、HWCの読み込み方法です画像解像度の幅と高さはときに8の倍数デバイスの性能を排出することができません。
超軽量・ジェネリック・顔検出器は、また、非常に高速なハードウェア・プロジェクト、libfacedetectionで、現在で顔検出のためのモデルを提供しています。プログラムは、フレームの様々な等（カフェ、ncnn）を実行することができます。プロジェクトのプレゼンテーションでは、超軽量、汎用の顔検出器の二つのモデルのリコールはlibfacedetectionv1、v2、および走行速度とlibfacedetection V1のそのスリムバージョン基本的に違いはありませんよりも包括的です。そのモデルのサイズは小さいですが、それは私が、言って私はあなたに言ったように、私もずっと世界軽量姿勢顔検出モデルでは最高のように、あなたに大きな精密カットを投げるように高速に実行するだけでなく、小さなモデルです。
さらに騒ぎがなければ、プロジェクトの説明は一つのことで、実際の実行までは別の問題です。、二つのモデルを比較するために最初の二つのモデルにすべての、同じ機器の下に同じフレームを実行します。実際には、2つのモデルが直接カフェに配置されます、または実行pytorchはライン上の時間を比較します。しかし、私はしたくない、私は、相対的に低いlibfacedetectionの枠組みの中でそれらを考えるすべての加速を削除することを決めました。（この理由は、1は私に、より良く、よりフレームの様々な、走行上のより多くのモデルと古典枠組みの下で行うことができます誰に精通し、第2の態様は、の場合であることを確認することで超軽量、generic-顔検出器は非常に強力な私はちょうど）ハハ展開します
超光ジェネリック・顔面のスリムバージョン後に検出予備測定がPCであり、PC走行速度が不安定であるので、私ので、画像の解像度320×240のテストのためにlibfacedetectionフレームワークに移植その後、0.247113s /回の平均実行時間を取るために10回繰り返した測定。0.223585s /時間の平均実行時間とlibfacedetection v1と一度テストした、と同じ絵、。このショーは、ウルトラ・ライト・ジェネリックわずかによりlibfacedetection-V1よりも検出面がかかります。また、私がテストした超軽量・ジェネリック・顔面検出およびlibfacedetectionメモリ消費量、発見した超軽量・ジェネリック・顔面検出よりlibfacedetection-V1メモリよりにメモリ消費量。また、ビットの単純な比較結果は、超軽量汎用-顔面検出がlibfacedetection-V1よりも右側面よりもさらにいくつかを検出しない、それが思わ超軽量・ジェネリック・顔面検出実際の環境で結果をわずかに良いlibfacedetection-V1より。システムは、Ubuntuの-14.0.4であると彼らは、解放されない特定のデータテーブル、興味を持っている完成し設定することができるはずの日にそれを自分で試すことができます。
短時間集計、（1）libfacedetectionより小型、超軽量汎用-顔検出のモデル項;ややlibfacedetectionより（2）実行時の態様では、超軽量汎用-顔検出;（3）メモリ消費量以上libfacedetection以上の態様では、超軽量汎用-顔検出消費;（4）効果の態様では、わずかに良い結果より超軽量汎用-顔検出libfacedetection。
だから、あなたはそれほど良くないチップの性能にデプロイしたい場合は、共有メモリを利用しながら、それは、超軽量・ジェネリック・顔検出によって展開ターンlibfacedetectionの枠組みことが推奨されるメモリ効果を改善大きすぎます。主に超軽量 - ジェネリック - 顔検出、より良いので、軽いモデル、スピードの問題がウィノグラードの改善で行くことができます。（Libfacedetection-v3の前に測定していない、おそらくlibfacedetection-v3がより良い選択です）
ここで最初の仕上がりにブログ。検証プロセスは、非常に厳格な、比較的限られた時間ではありません。フォローアップ（1）を備えlibfacedetection-V3を比較。（2）は、2つの多面モデルのメリットを比較するために設定され、実際のシーンデータを増加させます。（3）を参照するために、他の深い学習フレームワークに移植二つのモデル。
