AI模型越來越小，需要的算力也也來越弱，但精度依舊有保障。
最新代表，是一個剛在GitHub上開源的中文項目：一款超輕量級通用人臉檢測模型。
項目貢獻者介紹，這一模型大小文件僅1MB，320x240輸入下計算量僅90MFlops。
當然，效果也不弱於當前業界主流的開源人臉檢測算法，甚至有所超越。
超輕量、通用
這一模型的貢獻者爲linzai，他介紹稱，這是針對邊緣計算設備或低算力設備(如用ARM推理)設計的一款實時超輕量級通用人臉檢測模型：
默認FP32精度下（.pth）文件大小爲 1.1MB，推理框架int8量化後大小爲 300KB 左右。
目標就是在低算力設備中用ARM進行實時的通用場景的人臉檢測推理。同時，這也適用於移動端環境（Android & IOS）、PC環境（CPU & GPU )等等。
GitHub項目頁面介紹稱，模型已經在Ubuntu16.04、Ubuntu18.04、Windows 10；Python3.6；Pytorch1.2；CUDA10.0 + CUDNN7.6等環境進行過測試，都能夠保證正常運行。
模型設計，一共有兩個版本，分別是：1）version-slim，主幹精簡速度略快，2）version-RFB，加入了修改後的RFB模塊，精度更高。
而且還提供了320x240、640x480不同輸入分辨率下使用widerface訓練的預訓練模型，能夠更好的工作於不同的場景。
linzai介紹稱，整個項目中沒有特殊算子，支持onnx導出，從而便於移植推理。
效果不弱於當前主流開源算法
如此模型，效果/精度到底如何？
linzai也在GitHub項目頁面放出了這一模型在精度、速度、場景測試、大小方面的測試。
參賽選手有兩個，一個是Libfacedetection，OpenCV中文站站長於仕琪開源的人臉檢測算法。
另一個是Retinaface-Mobilenet-0.25 (Mxnet)——當前業界最先進的開源人臉檢測算法之一。
在Widerface數據集上的測試結果如下：
version-slim/version-RFB基本上都能夠實現最優結果。
在樹莓派4B MNN推理測試耗時上的測試結果爲：
對比之下，version-slim版本的速度也不在下風。
在地鐵站、萬達廣場、辦公室等場景進行測試，結果上version-RFB也比較有優勢。
更重要的是，新開源模型的輕量性：
傳送門
在這個項目的GitHub頁面，linzai也分享瞭如何生成VOC格式訓練數據集以及訓練流程，以及如何更好的使用這一模型的方法。
如果你有興趣，不妨看一看~
本文經AI新媒體量子位（公衆號ID:QbitAI）授權轉載，轉載請聯繫出處。