python3 ./data/wider_face_2_voc_add_landmark.py

data/
retinaface_labels/
test/
train/
val/
wider_face/
WIDER_test/
WIDER_train/
WIDER_val/
wider_face_add_lm_10_10/
Annotations/
ImageSets/
JPEGImages/
wider_face_2_voc_add_landmark.py

sh train-version-slim.sh или sh train-version-RFB.sh
``` **Обнаружение эффектов изображения (разрешение ввода: 640x480)**

*Изображения не переведены.*

**PS**

- Если фактическая производственная сцена представляет собой среднее расстояние, большое лицо и небольшое количество лиц, рекомендуется использовать разрешение входного размера input_size: 320 (320x240) для обучения и использовать входной размер изображения 320x240, 160x120 или 128x96 для логического вывода, например, используя предоставленную модель предварительного обучения version-slim-320.pth или version-RFB-320.pth.

- Если фактическая производственная сцена является средней или дальней, а также средним или маленьким лицом и большим количеством лиц, рекомендуется принять:
    (1) Оптимальное решение: разрешение входного размера input_size: 640 (640x480) для обучения, и использовать тот же или больший входной размер для логического вывода, например, с использованием предоставленной модели предварительного обучения version-slim-640.pth или version-RFB-640.pth для логического вывода, что снижает ложные срабатывания.
    (2) Субоптимальное решение: разрешение входного размера input_size: 320 (320x240) для обучения, и использование размера входного изображения 480x360 или 640x480 для логического вывода, более чувствительное к маленьким лицам, при этом увеличится количество ложных срабатываний.

- Для каждой сцены наилучшие результаты требуют настройки разрешения ввода для достижения баланса между скоростью и точностью.
- Чрезмерное разрешение ввода улучшит коэффициент отзыва маленьких лиц, но также увеличит коэффициент ложных срабатываний больших и близких лиц, а скорость логического вывода будет увеличиваться экспоненциально.
- Слишком маленькое разрешение ввода значительно ускорит логический вывод, но значительно снизит коэффициент отзыва маленьких лиц.
- Разрешение ввода производственной сцены должно быть как можно более согласованным с разрешением ввода модели обучения, а колебания вверх и вниз не должны быть слишком большими.

**TODO LIST**

- Добавить некоторые тестовые данные.

**Завершённый список**

- Тестовый код Widerface (https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/tree/master/widerface_evaluate).
- Код вывода NCNN C++ (https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/tree/master/ncnn) ([vealocia](https://github.com/vealocia)).
- Код вывода MNN C++ (https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/tree/master/MNN), код вывода MNN Python (https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/tree/master/MNN/python).
- Модель Caffe (https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/tree/master/caffe/model) и код преобразования onnx2caffe (https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/tree/master/caffe).
- Код логического вывода Caffe Python (https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/blob/master/caffe/ultra_face_caffe_inference.py) и код логического вывода OpencvDNN (https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB/blob/master/caffe/ultra_face_opencvdnn_inference.py).

**Проекты, связанные с третьими сторонами**

- Код вывода NNCase C++ (https://github.com/kendryte/nncase/tree/master/examples/fast_facedetect).
- UltraFaceDotNet (C#) (https://github.com/takuya-takeuchi/UltraFaceDotNet).
- faceDetect-ios (https://github.com/Ian778/faceDetect-ios).
- Android-FaceDetection-UltraNet-MNN (https://github.com/jackweiwang/Android-FaceDetection-UltraNet-MNN).
- Ultra-Tensorflow-Model-Converter (https://github.com/jason9075/Ultra-Light-Fast-Generic-Face-Detector_Tensorflow-Model-Converter).
- UltraFace TNN C++ Demo (https://github.com/DefTruth/lite.ai.toolkit/blob/main/lite/tnn/cv/tnn_ultraface.cpp).

**Ссылка**

- pytorch-ssd (https://github.com/qfgaohao/pytorch-ssd).
- libfacedetection (https://github.com/ShiqiYu/libfacedetection/).
- RFBNet (https://github.com/ruinmessi/RFBNet).
- RFSong-779 (https://github.com/songwsx/RFSong-779).
- Retinaface (https://github.com/deepinsight/insightface/blob/master/RetinaFace/README.md).