這期教向大家介紹僅僅 1.3M 的輕量級高精度的關鍵點人臉檢測模型DBFace，並手把手教你如何在自己的電腦端進行部署和測試運行，運行時bug解決。
01. 前言
前段時間DBFace人臉檢測庫橫空出世，但是當時這個人臉識別模型是7M大小，幾乎可以識別出世界最大自拍中的所有人像。DBFace出自國內人工智能公司深蘭科技（DeepBlue），這個模型的創建者正是這個公司的兩位“高手”-Libia和Wish，而最近，高手就是高手，兩位大佬對模型進行了再升級，現在這個模型的大小僅僅只有1.3M。
該模型已經放在GitHub上開源了，被《機器之心》挖掘出來，目前在Github上的Stars數已經有800顆星了，於是帶着好奇和感興趣我想要試試這個人臉檢測模型，沒想到，測試效果極好，這里就和大家分享一下。
02. DBFace的網絡結構
DBFace的初衷設計就是為了設計成一款輕量級的人臉檢測器，能夠在邊緣計算上有效的使用，為了讓處理更加簡潔、高效、對小目標的檢測效果也好，選擇 CenterNet（基於中心點的方法預測目標，稱為：CenterNet，）結構做檢測任務，采用MoblienetV3做Backbone。我相信大家在這里已經暈了吧，不知道什么是CenterNet和MoblienetV3，因為這不是幾句話能說清楚的，需要大家明白卷積的知識，在知道這之后，還需要去讀這個論文，啃代碼，可能才能理解個七八分吧。這里給大家兩個鏈接：
CenterNet：https://blog.csdn.net/c20081052/article/details/89358658
MobileNetV3：https://blog.csdn.net/DL_wly/article/details/90168883
感興趣的話就繼續啃吧
相對於MoblienetV2，MoblienetV3在其基礎上新增了SE、Hard-Swish Activation等模塊，在兼顧infence速度的同事提升網絡性能。對於任務頭的設計，大佬引入了SSH的DetectModule和ContextMoudle，經試驗驗證該模塊能有效的提升DBFace算法的檢出性能，這里涉及到卷積、池化中的最大值池，對模型進行的整合。
對於上采樣設計，作者采用Upsample + Conv + Act的方式，即上采樣 + 卷積 + 激活函數Activation,從圖中可以看到有激活函數Relu。
03. 損失函數Loss的定義
整個網絡由三個部分的Loss組成：
- 熱力圖HeatMap損失 - (CenterNet網絡中熱力圖誤差損失)
- 位置坐標偏移量（Bounding Box）損失 - (檢測邊界框誤差損失)
- 關鍵點（Landmark）損失 - （人臉關鍵點誤差損失）
對於一個模型來說，網絡結構和損失函數、以及數據集是最重要的，這里作者並沒有開源自己的數據集，我們可以利用工具來標記屬於自己的數據集，這里給大家介紹一個關鍵點標記的軟件CasiaLabeler，可以在后台回復關鍵字"關鍵點"獲取。
04. 項目運行效果
05. 官方運行效果圖：
06. 項目部署和測試
第一步：Github上下載項目源碼，選擇Clone and Download ，ZIP格式下載到桌面，解壓縮,地址：https://github.com/dlunion/DBFace，也可以關注微信公眾號：哆啦A夢愛學習，直接獲取。
第二步：工具准備
Anaconda + Pycharm + CUDA10，還未下載安裝的同學，可以看我之前的下載安裝詳細教程。
第三步：在Anaconda中創建一個python3.6及以上的虛擬環境，環境名為py36，否則會出現在字符串f ，SyntaxError錯誤，這種用法是python3.6之后才用的，不會創建的看之前的教程。
第四步：在虛擬環境中下載項目依賴包
Pytorch1.5 + OpenCV-Python 4.2，到官網進行下載安裝，還不會的可以看我之前寫的教程。
第五步：使用Pycharm打開已經解壓好的項目，然后再pycharm中配置好python解釋器，選擇剛剛創建好了的py36環境,點擊Add->找到Anaconda的安裝目錄下的env目錄下你已經創建好的環境名為py36.
第六步：找到一張圖片，將其放在項目的datas文件目錄下，給圖片命名為party.jpg
第七步：進行測試運行main.py,運行之前，在image_demo中添加你想要測試的圖片代碼
第八步：右鍵main.py，選擇Run 'main',運行完之后在detect_result里查看檢測效果，也可以調用PC端的攝像頭，進行實時人臉檢測，選擇camera_demo即可。
關注我，回復關鍵字：人臉識別，即可獲取人臉數據集標記工具和訓練模型。
至此完成成功，大家可以自己動手試一試，覺得還不錯的話記得點贊收藏哦，或者分享給身邊的好友們，碼字不易，希望得到你們的支持。
更多有關python、深度和計算機編程的精彩內容，可以關注我的微信公眾號：
