機器之心報導
參與：Racoon X
這個僅 7M 大小的人臉識別模型幾乎識別出了世界最大自拍照中的所有人像！
專案簡介
之前機器之心報導過一個跨平臺人臉識別專案，在 CPU 上就能輕鬆跑出 1000FPS。這次介紹的專案也是一個輕量級人臉識別專案。不同的是，該專案在保持較小引數量的前提下，識別精度要高很多，並且只需要 OpenCV 和 PyTorch 就能執行。
DBFace 是一個輕量級的實時人臉識別方法，其有著更快的識別速度與更高的精度。下圖展示了多種人臉檢測方法在 WiderFace 資料集上的測試效果。可以看到不僅 DBFace 模型的大小最小，其在 Easy、medium、Hard 三個測試任務中均取得了最高的識別精度。
專案地址：
WiderFace 是一個關於人臉檢測的基準跑分資料集，其中包含 32,203 張圖片以及在各方面劇烈的 393,703 張人臉，資料集具有從簡單到困難等不同難度的任務。下圖是改資料集中一些樣本的展示，可以看到，要想準確地識別出圖中所有人臉還是很有挑戰的。DBFace 在該資料集的不同任務上分別取得 0.925、0.920、0.847 的準確率，實屬不易。
有關 WiderFace 的詳細介紹請讀者移步其官網：
效果展示
下圖展示了不同人臉識別方法在 WiderFace 資料集上的 P-R 曲線。P-R 曲線可以較直觀地展示二分類器的 Precision 和 Recall。當需要對不同演算法進行比較時，若某個二分類器的 P-R 曲線被另一個二分類器的 P-R 曲線完全包住，即表明後者的效能優於前者。從圖中可以看到，DBFace 包圍的面積在三個任務中均相對較大。
當閾值設定為 0.2 時，DBFace 對這張世界最大的自拍照識別效果如下圖所示：
可以看到，DBFace 的識別準確率非常高，圖中很多人臉甚至放大後單憑肉眼也很難分辨，DBFace 卻仍然能夠識別出來，並且模型大小僅 7M，完全能夠在邊緣裝置上實時執行。於是，機器之心也上手測試了一番。
專案實測
專案作者提供的程式碼示例中包含對靜態圖片的識別，同時也有一個呼叫電腦攝像頭的 GUI。值得注意的是，該專案並不需要太多依賴項，只要有 PyTorch、Numpy 和 OpenCV 即可執行。由於以上依賴環境都是非常常用的擴充套件庫，網上有大量相應安裝教程，這裡就略過其安裝步驟。
在 main.py 中，image_demo() 與 camera_demo() 分別對應靜態圖片識別與呼叫攝像頭進行識別。靜態圖片識別程式碼為：
def image_demo():
dbface = DBFace()
dbface.eval()
if HAS_CUDA:
dbface.cuda()
dbface.load("model/dbface.pth")
detect_image(dbface, "datas/selfie.jpg")
以上程式碼將會讀取訓練後的模型，對圖片 datas/selfie.jpg 進行識別，並將結果儲存到 detect_result/selfie.draw.jpg。
讓我們來看一下識別效果：
從上圖可以看到，即使在室內燈光顏色、明暗差別較大的環境下，DBFace 也識別出了圖中幾乎所有的人，甚至是中間那個一邊畫彩虹，一邊指向閃耀燈球戴頭盔的人也難逃其「魔掌」。當然，由於這裡設定的檢測閾值較低，存在一些誤分類的現象。圖中一些人的手和右上角的燈球就被誤識別為了人臉。適當調高閾值即可消除此現象。
呼叫電腦攝像頭檢測的程式碼為：
def camera_demo():
dbface = DBFace()
dbface.eval()
if HAS_CUDA:
dbface.cuda()
dbface.load("model/dbface.pth")
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
ok, frame = cap.read()
while ok:
objs = detect(dbface, frame)
for obj in objs:
common.drawbbox(frame, obj)
cv2.imshow("demo DBFace", frame)
key = cv2.waitKey(1) & 0xFF
if key == ord('q'):
break
ok, frame = cap.read()
執行以上程式碼將會生成一個 640x480 的 GUI 介面，呼叫攝像頭實時進行人臉檢測。
感興趣的小夥伴趕快將本專案 git clone 到本地測試一下吧！