快如闪电的人脸检测——Tengine+libfacedetection

前几天，深圳大学于仕琪老师突然开源了libfacedetection——号称最快的人脸检测项目（超越OpenCV，史上最快人脸检测系统开源 | 新智元）吸引了一大波人脸检测应用开发者围观，紧接着Tengine也立马对libfacedetection模型增加了支持，让我们一起来看看，在Tengine加持下的libfacedetection能快到什么程度吧！

libfacedetection

github项目：https://github.com/ShiqiYu/li...

模型结构

本次开源的库是基于卷积神经网络实现的，320x240模型如下图所示：

其整体框架参照SSD，并由若干组类似VGG的卷积层组合堆叠而成——

• 和VGG一样，大部分降采样都由2x2最大池化完成，不过libfacedetction的入口部分则与Inception、ResNet类似——由卷积层完成降采样（Inception、ResNet这种大网络喜欢一上来先来一层7x7/s2的卷积下采样，改进版则用三层3x3卷积替换7x7；像Mobilenet这些小网络就直接一层3x3/s2的下采样，这里的libfacedetection也是如此）；
• 与VGG类似的卷积层组合，两到三个带激活的卷积层一组，不同的是，VGG用若干3x3卷积堆叠作为一组，而libfacedetection则是采用【3x3 + 1x1】或【3x3 + 1x1 + 3x3】的组合，将其中一个3x3卷积层替换为1x1不仅降低了MAC而且避免了im2col；
• 比较特别的是，每一组卷积之后送去回归和分类之前都经过一个Normilization层对特征图进行归一化操作；
• libfacedetection设置了四组锚框，总计$3600+600+140+45=4385$；
• 参数数量约660K，乘加次数约80M（作为参照：MobileNet-v1-1.00约4.25M参数和570M次乘加运算）
  没细算，参数数量用caffemodel的文件大小简单除了个4；乘加次数则是用gluon随手搭了个主干（实际应该比这个数字更大一些），然后调mxop测算了一下MAC，粗糙数据，仅供参考。

检测效果

原图：

FP32精度输出：

INT8精度输出：

性能表现

至于速度，于老师的github上已经有了与OpenCV Haar+AdaBoost的比较数据，引用至此而不再赘述：

加持Tengine的libfacedetection

用开发者版的Tengine分别在EAIDK-610（RK3399,4A53@1.4GHz+2A72@1.8GHz）和树莓派3B（BCM2837,4A53@1.2GHz）、树莓派3B+（BCM2837,4A53@1.4Hz）平台上测试libfacedetection——
使用于老师github上的caffe模型，输入大小为320x240。

EAIDK-610

由于大小核共同运算时速度比单个大核还慢，所以此处不列出大小核测试的数据。

• 最快可以达到48.57FPS！
• 2A53相对于1A53有相对可观的提升，3A53、4A53就只有少量的提升了；
• 相比于A53，大核的A72量化后能有比较明显的提升

树莓派3B

树莓派3B+

原文链接：https://hey-yahei.cn/2019/03/...