模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

作者: 乾明 2019-10-14 15:13:24

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

AI模型越来越小,需要的算力也也来越弱,但精度依旧有保障。

最新代表,是一个刚在GitHub上开源的中文项目:一款超轻量级通用人脸检测模型。

项目贡献者介绍,这一模型大小文件仅1MB,320x240输入下计算量仅90MFlops。

当然,效果也不弱于当前业界主流的开源人脸检测算法,甚至有所超越。

超轻量、通用

这一模型的贡献者为linzai,他介绍称,这是针对边缘计算设备或低算力设备(如用ARM推理)设计的一款实时超轻量级通用人脸检测模型:

默认FP32精度下(.pth)文件大小为 1.1MB,推理框架int8量化后大小为 300KB 左右。

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

目标就是在低算力设备中用ARM进行实时的通用场景的人脸检测推理。同时,这也适用于移动端环境(Android & IOS)、PC环境(CPU & GPU )等等。

GitHub项目页面介绍称,模型已经在Ubuntu16.04、Ubuntu18.04、Windows 10;Python3.6;Pytorch1.2;CUDA10.0 + CUDNN7.6等环境进行过测试,都能够保证正常运行。

模型设计,一共有两个版本,分别是:1)version-slim,主干精简速度略快,2)version-RFB,加入了修改后的RFB模块,精度更高。

而且还提供了320x240、640x480不同输入分辨率下使用widerface训练的预训练模型,能够更好的工作于不同的场景。

linzai介绍称,整个项目中没有特殊算子,支持onnx导出,从而便于移植推理。

效果不弱于当前主流开源算法

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

如此模型,效果/精度到底如何?

linzai也在GitHub项目页面放出了这一模型在精度、速度、场景测试、大小方面的测试。

参赛选手有两个,一个是Libfacedetection,OpenCV中文站站长于仕琪开源的人脸检测算法。

另一个是Retinaface-Mobilenet-0.25 (Mxnet)——当前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:

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

version-slim/version-RFB基本上都能够实现最优结果。

在树莓派4B MNN推理测试耗时上的测试结果为:

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

对比之下,version-slim版本的速度也不在下风。

在地铁站、万达广场、办公室等场景进行测试,结果上version-RFB也比较有优势。

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

更重要的是,新开源模型的轻量性:

模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

传送门

在这个项目的GitHub页面,linzai也分享了如何生成VOC格式训练数据集以及训练流程,以及如何更好的使用这一模型的方法。

如果你有兴趣,不妨看一看~

AI 数据 人工智能
上一篇:人工智能遇冷,自动驾驶受阻? 下一篇:全球十大AI训练芯片大盘点
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

面部识别的利与弊:是福还是祸?

虽然现代技术使面部识别更加精确和安全,但与面部识别隐私问题和监控有关的担忧也在增加。因此,让我们在这篇文章中探讨一下这该技术的利与弊。

Naveen Joshi ·  2021-06-01 16:36:22
人工智能和5G如何结合以实现物联网收入最大化

网络系统通过信令和使用软件以及分析来检测和分类设备非常棘手,并且对有限且日益紧张的网络资源提出了巨大的需求。然而,解决这些问题有一个主要解决方案:采用人工智能、自动化和5G技术。

Jordi Castellvi ·  2021-06-01 13:49:15
MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶

最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。

文龙 ·  2021-06-01 12:47:51
自然语言处理(NLP)的历史及其发展方向

自然语言处理的历史是一个充满曲折的故事。它从徒劳的研究开始,经过多年卓有成效的工作,最后结束于一个我们仍在试图找出该领域极限的时代。今天,让我们来一起探索这一AI科学分支的发展。

佚名 ·  2021-06-01 12:46:26
是福还是祸?人脸识别技术的利与弊

面部识别并不是一项全新的技术,但人工智能和机器学习不断使面部识别变得更好。苹果通过引入具有 3D 扫描功能的面部生物识别系统和 iPhone 的 Face ID,提高了面部识别的标准。

Naveen Joshi ·  2021-06-01 11:11:01
人工智能能否使机器具有流体智力?

麻省理工学院和奥地利研究人员为灵活的人工智能创造了“液体”机器学习。

千家网 ·  2021-06-01 10:38:55
高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉

自 NeRF 被提出后,有多项研究对其加以改进。在本篇论文中,上海科技大学的研究者提出了首个将显式不透明监督和卷积机制结合到神经辐射场框架中以实现高质量外观的方案。

Haimin Luo等 ·  2021-06-01 09:57:39
大脑模拟NLP,高德纳奖得主:神经元集合演算用于句子解析

一个简单的大脑模型为人工智能研究提供了新的方向。世界顶尖计算机科学理论学家、哥德尔奖和高德纳奖获得者、哥伦比亚大学计算机科学教授 Christos Papadimitriou 关于「大脑中单词表征」的演讲。

Ben Dickson ·  2021-06-01 09:39:24
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载