Ultra-Light-Fast-Generic-Face-Detector-1MB
Лёгкая и быстрая модель детектора лиц размером 1 МБ
Описание модели
Данная модель представляет собой лёгкую и быструю модель детектора лиц, разработанную для использования на устройствах с ограниченными ресурсами.
Тестирование и среда выполнения
Модель была протестирована на следующих операционных системах и средах выполнения:
Сравнение точности, скорости и размера модели
Для сравнения использовались следующие модели:
Модель | Easy Set | Medium Set | Hard Set |
---|---|---|---|
libfacedetection v1 (Caffe) | 0,65 | 0,5 | 0,233 |
libfacedetection v2 (Caffe) | 0,714 | 0,585 | 0,306 |
Retinaface-Mobilenet-0,25 (Mxnet) | 0,745 | 0,553 | 0,232 |
version-slim | 0,77 | 0,671 | 0,395 |
version-RFB | 0,787 | 0,698 | 0,438 |
В таблице представлены результаты тестирования модели на наборе данных WIDER FACE val. Тестирование проводилось для двух разрешений: 320x240 (по умолчанию) и 640x480. Результаты приведены для трёх наборов данных: Easy, Medium и Hard.
Результаты показывают, что модель version-RFB демонстрирует лучшую точность во всех наборах данных.
Также были проведены тесты на скорость вывода на различных устройствах. В таблице приведены результаты тестов на Raspberry Pi 4B с использованием MNN для вывода.
Модель | 1 ядро | 2 ядра | 3 ядра | 4 ядра |
---|---|---|---|---|
libfacedetection v1 | 28 | 16 | 12 | 9,7 |
Официальная Retinaface-Mobilenet-0,25 (Mxnet) | 46 | 25 | 18,5 | 15 |
Version-slim | 29 | 16 | 12 | 9,5 |
Version-RFB | 35 | 19,6 | 14,8 | 11 |
Эти результаты показывают, что model version-slim и version-RFB имеют хорошую производительность на одноядерных и многоядерных устройствах. ### Модели: сравнение размеров
Модель | Размер модели (МБ) |
---|---|
libfacedetection v1 (caffe) | 2,58 |
libfacedetection v2 (caffe) | 3,34 |
Retinaface-Mobilenet-0.25 (Mxnet) официальная версия | 1,68 |
version-slim | 1,04 |
version-RFB | 1,11 |
Скачайте данные с сайта widerface или используйте предоставленные тренировочные наборы и распакуйте их в папку ./data:
Если вы скачали отфильтрованный набор данных, то этот шаг можно пропустить. В наборе данных widerface есть много маленьких лиц, которые не подходят для эффективной тренировки модели. Поэтому необходимо отфильтровать лица размером меньше 10x10 пикселей. Запустите файл ./data/wider_face_2_voc_add_landmark.py. После завершения работы программы в папке ./data будет создана папка wider_face_add_lm_10_10.
Теперь у вас есть готовый тренировочный набор данных в формате VOC. В корне проекта есть два скрипта: train-version-slim.sh и train-version-RFB.sh. Первый скрипт используется для тренировки slim версии модели, а второй — для RFB версии. Параметры по умолчанию уже настроены, но вы можете настроить их самостоятельно, обратившись к файлу ./train.py.
Для запуска тренировки выполните команду sh train-version-slim.sh или sh train-version-RFB.sh.
В тексте приведены изображения, которые иллюстрируют работу модели.
— UltraFace TNN C++ Demo (https://github.com/DefTruth/lite.ai.toolkit/blob/main/lite/tnn/cv/tnn_ultraface.cpp)
— 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)
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Опубликовать ( 0 )