这期教向大家介绍仅仅 1.3M 的轻量级高精度的关键点人脸检测模型DBFace，并手把手教你如何在自己的电脑端进行部署和测试运行，运行时bug解决。

01. 前言

前段时间DBFace人脸检测库横空出世，但是当时这个人脸识别模型是7M大小，几乎可以识别出世界最大自拍中的所有人像。DBFace出自国内人工智能公司深兰科技（DeepBlue），这个模型的创建者正是这个公司的两位“高手”-Libia和Wish，而最近，高手就是高手，两位大佬对模型进行了再升级，现在这个模型的大小仅仅只有1.3M。

该模型已经放在GitHub上开源了，被《机器之心》挖掘出来，目前在Github上的Stars数已经有800颗星了，于是带着好奇和感兴趣我想要试试这个人脸检测模型，没想到，测试效果极好，这里就和大家分享一下。

02. DBFace的网络结构

DBFace的初衷设计就是为了设计成一款轻量级的人脸检测器，能够在边缘计算上有效的使用，为了让处理更加简洁、高效、对小目标的检测效果也好，选择 CenterNet（基于中心点的方法预测目标，称为：CenterNet，）结构做检测任务，采用MoblienetV3做Backbone。我相信大家在这里已经晕了吧，不知道什么是CenterNet和MoblienetV3，因为这不是几句话能说清楚的，需要大家明白卷积的知识，在知道这之后，还需要去读这个论文，啃代码，可能才能理解个七八分吧。这里给大家两个链接：

CenterNet：https://blog.csdn.net/c20081052/article/details/89358658

MobileNetV3：https://blog.csdn.net/DL_wly/article/details/90168883

感兴趣的话就继续啃吧

相对于MoblienetV2，MoblienetV3在其基础上新增了SE、Hard-Swish Activation等模块，在兼顾infence速度的同事提升网络性能。对于任务头的设计，大佬引入了SSH的DetectModule和ContextMoudle，经试验验证该模块能有效的提升DBFace算法的检出性能，这里涉及到卷积、池化中的最大值池，对模型进行的整合。

对于上采样设计，作者采用Upsample + Conv + Act的方式，即上采样 + 卷积 + 激活函数Activation,从图中可以看到有激活函数Relu。

03. 损失函数Loss的定义

整个网络由三个部分的Loss组成：

• 热力图HeatMap损失 - (CenterNet网络中热力图误差损失)
• 位置坐标偏移量（Bounding Box）损失 - (检测边界框误差损失)
• 关键点（Landmark）损失 - （人脸关键点误差损失）

对于一个模型来说，网络结构和损失函数、以及数据集是最重要的，这里作者并没有开源自己的数据集，我们可以利用工具来标记属于自己的数据集，这里给大家介绍一个关键点标记的软件CasiaLabeler，可以在后台回复关键字"关键点"获取。

04. 项目运行效果

05. 官方运行效果图：

06. 项目部署和测试

第一步：Github上下载项目源码，选择Clone and Download ，ZIP格式下载到桌面，解压缩,地址：https://github.com/dlunion/DBFace，也可以关注微信公众号：码农的后花园，直接获取。

第二步：工具准备

Anaconda + Pycharm + CUDA10，还未下载安装的同学，可以看我之前的下载安装详细教程。

第三步：在Anaconda中创建一个python3.6及以上的虚拟环境，环境名为py36，否则会出现在字符串f ，SyntaxError错误，这种用法是python3.6之后才用的，不会创建的看之前的教程。

第四步：在虚拟环境中下载项目依赖包

Pytorch1.5 + OpenCV-Python 4.2，到官网进行下载安装，还不会的可以看我之前写的教程。

第五步：使用Pycharm打开已经解压好的项目，然后再pycharm中配置好python解释器，选择刚刚创建好了的py36环境,点击Add->找到Anaconda的安装目录下的env目录下你已经创建好的环境名为py36.

第六步：找到一张图片，将其放在项目的datas文件目录下，给图片命名为party.jpg

第七步：进行测试运行main.py,运行之前，在image_demo中添加你想要测试的图片代码

第八步：右键main.py，选择Run 'main',运行完之后在detect_result里查看检测效果，也可以调用PC端的摄像头，进行实时人脸检测，选择camera_demo即可。

关注微信公众号，后台回复关键字：人脸识别，即可获取人脸数据集标记工具和训练模型。

至此完成成功，大家可以自己动手试一试，觉得还不错的话记得点赞收藏哦，或者分享给身边的好友们，码字不易，希望得到你们的支持。

更多有关python、深度学习和计算机编程的精彩内容，可以关注微信公众号：码农的后花园