本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
AI模型越来越小，需要的算力也也来越弱，但精度依旧有保障。
最新代表，是一个刚在GitHub上开源的中文项目：一款超轻量级通用人脸检测模型。
项目贡献者介绍，这一模型大小文件仅1MB，320x240输入下计算量仅90MFlops。
当然，效果也不弱于当前业界主流的开源人脸检测算法，甚至有所超越。
超轻量、通用
这一模型的贡献者为linzai，他介绍称，这是针对边缘计算设备或低算力设备(如用ARM推理)设计的一款实时超轻量级通用人脸检测模型：
默认FP32精度下（.pth）文件大小为 1.1MB，推理框架int8量化后大小为 300KB 左右。
目标就是在低算力设备中用ARM进行实时的通用场景的人脸检测推理。同时，这也适用于移动端环境（Android & IOS）、PC环境（CPU & GPU )等等。
GitHub项目页面介绍称，模型已经在Ubuntu16.04、Ubuntu18.04、Windows 10；Python3.6；Pytorch1.2；CUDA10.0 + CUDNN7.6等环境进行过测试，都能够保证正常运行。
模型设计，一共有两个版本，分别是：1）version-slim，主干精简速度略快，2）version-RFB，加入了修改后的RFB模块，精度更高。
而且还提供了320x240、640x480不同输入分辨率下使用widerface训练的预训练模型，能够更好的工作于不同的场景。
linzai介绍称，整个项目中没有特殊算子，支持onnx导出，从而便于移植推理。
效果不弱于当前主流开源算法
如此模型，效果/精度到底如何？
linzai也在GitHub项目页面放出了这一模型在精度、速度、场景测试、大小方面的测试。
参赛选手有两个，一个是Libfacedetection，OpenCV中文站站长于仕琪开源的人脸检测算法。
另一个是Retinaface-Mobilenet-0.25 (Mxnet)——当前业界最先进的开源人脸检测算法之一。
在Widerface数据集上的测试结果如下：
version-slim/version-RFB基本上都能够实现最优结果。
在树莓派4B MNN推理测试耗时上的测试结果为：
对比之下，version-slim版本的速度也不在下风。
在地铁站、万达广场、办公室等场景进行测试，结果上version-RFB也比较有优势。
更重要的是，新开源模型的轻量性：
传送门
在这个项目的GitHub页面，linzai也分享了如何生成VOC格式训练数据集以及训练流程，以及如何更好的使用这一模型的方法。
如果你有兴趣，不妨看一看~
