随着深度学习的兴起，工业界和学术界越来越多的使用基于深度学习的方法，而不是传统的基于模板匹配，纹理提取或者像素积分图等方法。因为人脸检测本身并不属于特别复杂的任务，因此轻量级的深度学习模型即可满足该任务。本文汇总了六大开源的人脸检测项目。
本文首发：AIZOO，欢迎在Vx关注我们
虽说深度学习是个黑箱，但基于深度学习的通用目标检测算法（例 如 Faster-RCNN，SSD，YoloV3、 RetinaNet等）的检测效果和鲁棒性，远远的超过基于纹理、边缘、Harr特征、Sift特征的传统计算机视觉方法，而且近几年随着模型压缩、量化技术的进步，模型运行速度也越来越快。
对于通用的目标检测算法，以大家常用的 SSD 和 YoloV3 算法为例，因为算法在设计之初，是为Pascal VOC 或者 COCO这种 20 类 和 80 类的多类别任务设计的，因此其 backbone 网络，也就是特征提取网络一般使用 VGG16、Darknet53、ResNet18这种网络，这些网络的一个通用特点是，其卷积层的卷积核数目通常比较多（例如256，512），导致模型参数量动辄几千万，运算量巨大。
如果我们拿这些通用目标检测算法来检测一类，比如只检测人脸、行人或者车辆时，使用那么多的卷积核数量、那么深的网络其实是不必要的。如果要检测 80 个类别，可能需要更多参数量来拟合，但是对于一两个类别，其实是有点杀鸡用宰牛刀了，如果你的任务不复杂，却用了ResNet18\34这种网络，你会发现很多卷积核的激活，其实是 0，导致白白多增加了很多计算量。所以，针对特定的人脸检测任务，其实一些非常轻量级的网络即可满足任务要求。
元峰曾经写了一篇介绍南科大于仕琪老师的开源人脸检测项目的文章（人脸检测速度近2000FPS，就在刚刚，这位硬核老师将训练代码开源了），有不少读者对该工作很质疑，认为模型太小，导致有误检测，于老师在文章评论区亲自现身回答了大家的质疑。
对于比赛刷榜，我们可以用很大的模型，例如某 AI 公司在 WiderFace上夺冠的模型，结构用 RetinaNet，backbone 用 ResNet152，另外，FPN结构也安排上，多模型融合安排上，更多的 anchor 组数安排上，这样的模型对于刷榜非常实用，但是在工业界非常不实用，假如要部署到 ARM 的嵌入式设备上，大概率直接卡死。
随着 AI 落地为王时代的到来，大家越来越注重精度和速度的权衡（trade off），本文精选了六大轻量级的开源人脸检测项目，并对其进行简单赏析和介绍。
言归正传，下面我们按照Github上star数目从高到低依次介绍。
1. libfacedetection
Github star: 9.3k
作者：于仕琪
链接：https://github.com/ShiqiYu/libfacedetection
模型参数量：232万，体积 3.34M
前几天元峰已经对该项目进行过一次介绍了，该项目使用一个SSD架构的人脸检测模型，在酷睿 i7 的CPU上，320x240分辨率下可以达到296.21 FPS，下图是该项目在不同分辨率和单线程下的速度概览。
模型结构也比较简单，就是一个轻量级的 SSD 架构，共四个定位层，而且借鉴了RetinFace的关键点方法，可以同时回归5个关键点。模型体积只有232万，体积仅有3.34M
该项目的最大亮点，其实是于老师搞了一个纯C++的推理版本，不依赖第三方深度学习库，非常有利于工程部署。
2. Ultra-Light-Fast-Generic-Face-Detector-1MB
Github star: 4.7k
作者：Linzaer
链接：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
体积：1.04M， int8量化后 300KB
该模型是针对边缘计算设备设计的人脸检测模型。并提供了精简网络和RFB网络两种，在320x240的输入分辨率下 90~109 FPS左右。
该模型的结构与上述于老师的模型结构非常相似，也是 SSD 架构，共有4个定位层，模型结构如下图所示。
另外，该项目提供了NCNN、MNN、Caffe、Onnx、Opencv的推理代码，可以给我们部署项目提供大量参考样例。
3. A-Light-and-Fast-Face-Detector-for-Edge-Devices
Github star: 897
作者：YonghaoHe
链接：https://github.com/YonghaoHe/A-Light-and-Fast-Face-Detector-for-Edge-Devices
体积：6.1 M
从名字可以看出来，这也是一个面向边缘设备的检测模型，该模型同样是 SSD架构的，不过相比前述两个模型，该模型有八个定位层，分别对应tiny、small、medium和large四个尺度，backbone 网络共有 25 个卷积层。
该模型在 Nvidia TX2下，320x240分辨率下可以达到 50.92 FPS。
另外，该 repo 还提供了人头检测、行人检测、车辆检测的代码和模型。
4. CenterFace
Github star: 607
作者：Star-Clouds
链接：https://github.com/Star-Clouds/CenterFace
体积：7.3 M、同精度小模型 2.3M
CenterFace是 anchor free 的模型结构，应该算是CenterNet针对人脸检测任务的特例，这一点上跟RetinaFace作为RetinaNet的在人脸任务的特例有异曲同工之妙，而且该模型同时回归了五个关键点。
该网络的backbone是MobileNetV2，额外添加了FPN结构。
下图是CenterFace的速度，在 2080TI上可以仅4.4ms。Anchor Free的模型，没有NMS的过程，也能节省很多后处理时间。
5. DBFace
Github star: 195作者：dlunion
链接：https://github.com/dlunion/DBFace
体积：7.03M
DBFace是一个Anchor Free的网络结构，模型原理可以说与CenterFace非常相似。这里不再展开详细的介绍了。
6. RetinaFace MobileNet0.25
Github star: 不好定义（6.4k）
作者：yangfly
链接：https://github.com/deepinsight/insightface/issues/669
体积：1.68M
这个项目来自于知名的InsightFace项目，该项目在Github有6.4k star，InsightFace提出了知名的RetinaFace、ArcFace算法，而且开源了详细的训练代码和预训练模型，可以说是非常良心的开源项目。
但是 RetinaFace（应该是受 RetianNet 的结构启发而成）本身的 backbone 是 ResNet50，yangfly 大佬将其替换为了 MobileNet0.25，模型大小仅1.68MB。RetinaFace 的模型结构如下，这里的 backbone网络是 MobileNet 0.25。
根据作者的开源结果，我们对以上6大开源轻量级人脸检测做一个速度和准确度的对比汇总。
另外，笔者将六大框架打包下载好了，下载链接
链接: https://pan.baidu.com/s/15K_ULtirQgZr2xptYf2SSw 提取码: ibw4
号外，我们新版本的网站AIZOO.com已经上线了，欢迎圈里算法工程师将您的算法展示到 AIZOO 平台，我们致力于打造需求方和 AI 工程师的桥梁，也欢迎对人工智能算法有需求的朋友向我们提需求。
精彩推荐
