libfacedetection 第三代终于开源，小弟我赶紧屁颠屁颠的去看了一下，确实很厉害。libfacedetection v3在不增加资源消耗的清情况下，相比libfacedetection v2增加了人脸特征点的回归，可以看作是一个轻量级的MTCNN。想到github上面同样还有一个很牛逼的ultra-light-generic-face-detector，于是心血来潮想去对比一下两个模型的优劣。
首先分别介绍下今天的两位主角，libfacedetection是深圳大学余老师的作品，其一共经历了从传统算法，到libfacedetection v1，v2，v3的迭代。这个项目的亮点包括：（1）提供了一套自己实现的框架，包括其中的卷积运算，池化，标准化等等。（2）提供了轻量化的人脸检测模型。因此这个项目可以说是身上有人脸检测需求的工程师的福音，基本上clone下来，二（gai）次(xia)开(bian)发(liang)就可以先出一个版本~~~~。libfacedetection的框架还包含了基于SSE的加速和基于NEON的加速，因此他可以同时游走在PC和板子上，其框架的一个特点是数据读取的方式不是通常的CHW而是HWC，这样就保证了图像分辨率宽高不为8的倍数时也能榨干设备的性能。
Ultra-light-generic-face-detector，同样也是相当牛逼的项目，跟libfacedetection一样，目前提供了针对人脸检测的模型。该项目可以在多种框架下运行（caffe，ncnn）等。在项目的介绍中，Ultra-light-generic-face-detector的两个模型的召回率是全面超过了libfacedetectionv1，v2，并且其slim版本的运行速度也与libfacedetection v1基本没有差异。同时其模型大小也很小，也就是说，我不仅模型小，我跑的跟你一样快，我精度还甩你一大截，大有成为天下第一轻量级人脸检测模型的架势。
废话少说，项目描述是一回事，实际跑起来又是另一回事。为了比较两个模型，首先要将两个模型在同一设备，同一框架下运行。其实直接将两个模型放在caffe，或者pytorch下运行比较一次就行了。不过我不是很想这么做，我决定都把他们放在libfacedetection框架下比较，去掉所有的加速。（这么做的原因，一方面是为了让我更好的熟悉多各种各样的框架，比较把模型放在经典框架下跑谁都能做，第二方面是万一Ultra-light-generic-face-detector很厉害我就直接部署了哈哈）
将Ultra-light-generic-face-detector的slim版本移植到libfacedetection框架之后，对于分辨率为320 * 240的图像进行了测试，因为初步是在PC端测，而PC端的运行速度不稳定，因此我重复测了十次然后取了均值，运行时间为0.247113s / 次。然后同样的图片，用libfacedetection v1又测试了一次，平均运行时间为0.223585s / 次。由此看出，Ultra-light-generic-face-detection的耗时是比libfacedetection-v1要稍多一些。此外，我分别测试了Ultra-light-generic-face-detection和libfacedetection的内存消耗，发现Ultra-light-generic-face-detection的内存消耗比libfacedetection-v1的内存要更多。此外，简单对比了一下结果，Ultra-light-generic-face-detection的确比libfacedetection-v1多检测出了几个正确的人脸，看来Ultra-light-generic-face-detection在实际环境下的效果比libfacedetection-v1要稍好一些。具体的数据表格就先不放出了，用的系统是ubuntu-14.0.4，有兴趣可以自己尝试下，一天应该就可以配置完了。
简单总结一下，（1）模型大小方面，Ultra-light-generic-face-detection比libfacedetection小；（2）运行时间方面，Ultra-light-generic-face-detection比libfacedetection稍多；（3）内存消耗方面，Ultra-light-generic-face-detection比libfacedetection消耗的多；（4）效果方面，Ultra-light-generic-face-detection比libfacedetection效果稍好。
因此如果要部署到性能不那么好的芯片上的话，一个建议是用Ultra-light-generic-face-detection转libfacedetection框架部署，同时利用共享内存改进内存效果过大的问题。主要是因为Ultra-light-generic-face-detection效果更好，模型更轻量，速度问题可以自己去用winograd改进。（libfacedetection-v3还没测过，没准libfacedetection-v3是更好的选择）
博客就先写到这里吧。验证的过程不是很严谨，比较时间有限。后续工作包括（1）加入libfacedetection-v3的比较。（2）增加实际场景的数据集，从而多方面比较两个模型的优劣。（3）将两个模型移植到其他的深度学习框架上看看。
来源：CSDN
作者：是王先森了
链接：https://blog.csdn.net/u013935580/article/details/104738628