Github：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
优点：
基于ssd修改。速度超级快，MNN上测试，MTCNN得20ms，该模型只要4ms。精度上不如MTCNN。
支持NCNN，MNN。包含2个版本的模型，slim版本（速度快）和RFB版本（精度高）。
缺点：
不支持人脸关键点检测
Widerface测试：
在WIDER FACE val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）
|
模型 |
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 |
0.765 |
0.662 |
0.385 |
|
version-RFB |
0.784 |
0.688 |
0.418 |
在WIDER FACE val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 ）
|
模型 |
Easy Set |
Medium Set |
Hard Set |
|
libfacedetection v1（caffe） |
0.741 |
0.683 |
0.421 |
|
libfacedetection v2（caffe） |
0.773 |
0.718 |
0.485 |
|
Retinaface-Mobilenet-0.25 (Mxnet) |
0.879 |
0.807 |
0.481 |
|
version-slim |
0.757 |
0.721 |
0.511 |
|
version-RFB |
0.851 |
0.81 |
0.541 |
该部分主要是测试模型在中小分辨率下的测试集效果。
模型大小比较：
若干开源轻量级人脸检测模型大小比较 ：
|
模型 |
模型文件大小（MB） |
|
libfacedetection v1（caffe） |
2.58 |
|
libfacedetection v2（caffe） |
3.34 |
|
官方 Retinaface-Mobilenet-0.25 (Mxnet) |
1.68 |
|
version-slim |
1.04 |
|
version-RFB |
1.11 |
实验结果：
总结：
边缘计算，嵌入式设备计算，精度要求不是很高，速度要求很快，的场合的很好选择。
来源：https://blog.csdn.net/qq_14845119/article/details/102729567