来自：开源最前线（ID：OpenSourceTop）
项目地址：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
近日，用户Linzaer在Github上开源了一款适用于边缘计算设备、移动端设备以及 PC 的超轻量级通用人脸检测模型，该模型文件大小仅 1MB ，一经开源就霸榜Github Trending榜单。 短短几天时间，已经在Github上标星 2.1K ， 398 个Fork（Github地址： https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB ） 据Linzaer介绍，该模型设计是针对边缘计算设备或低算力设备(如用ARM推理)设计的，可以在低算力设备中如用ARM进行实时的通用场景的人脸检测推理，同样适用于移动端、PC。 主要具有如下特性：在模型大小上，默认FP32精度下（.pth）文件大小为 1.04~1.1MB，推理框架int8量化后大小为 300KB 左右。
在模型计算量上，320x240的输入分辨率下 90~109 MFlops左右。
模型有两个版本，version-slim(主干精简速度略快)，version-RFB(加入了修改后的RFB模块，精度更高)。
提供了320x240、640x480不同输入分辨率下使用widerface训练的预训练模型，更好的工作于不同的应用场景。
支持onnx导出，便于移植推理。
目前测试过正常的运行环境如下：Ubuntu16.04、Ubuntu18.04、Windows 10（inference）
Python3.6
Pytorch1.2
CUDA10.0 + CUDNN7.6
精度、速度、模型大小比较 训练集是使用Retinaface提供的清理过的widerface标签配合widerface数据集生成VOC训练集 Widerface测试 在WIDER FACE test集测试精度（单尺度输入分辨率： 320*240 或按最大边长320等比缩放） 在WIDER FACE test集测试精度（单尺度输入分辨率： VGA 640*480 或按最大边长640等比缩放 ） 终端设备推理速度 树莓派4B MNN推理测试耗时 (单位： ms)（ARM/A72x4/1.5GHz/输入分辨率 : 320x240 /int8量化） 模型大小比较 图片效果如下：精彩回顾
