本人历时一年，自研一款轻量级人脸检测，模型大小5.43m，在widerface验证集上精度如下：
[email protected] Result on validation set of WiderFace
| Style | easy | medium | hard |
| pelee改进版 | 92.69% | 91.06% | 80.52% |
原版开源retinaface参考网址：
https://github.com/biubug6/Pytorch_Retinaface
widerface验证集精度：
| Style | easy | medium | hard |
|---|---|---|---|
| Pytorch (same parameter with Mxnet) | 88.67% | 87.09% | 80.99% |
| Pytorch (original image scale) | 90.70% | 88.16% | 73.82% |
| Mxnet | 88.72% | 86.97% | 79.19% |
| Mxnet(original image scale) | 89.58% | 87.11% | 69.12% |
本人测试过，精度高于dbface，高于centerface。
本人研发的简称pelee版，
做了以下改进：
pelee网络通道数改进设置，参数量比原版pelee减少1/3，
fpn改进，更新为bifpn。
本次开放源码，包含模型，测试，训练代码：
https://download.csdn.net/download/jacke121/17277685
数据集部分：
笔者发现widerface训练集有标注错误的地方：
有的特别模糊，但是标注了人脸
有的稍微模糊，但是作为了负样本。
还有其他的漏标，错标，等情况，
笔者历时2个月，不分昼夜，一张一张图片重新标注，整理，清洗，整理出新的数据集。
数据集地址：
链接：https://pan.baidu.com/s/1IqUlOxVVUAvaCb5lgBCLtw
提取码：7336
测试代码：
retinaface 原版测试代码：
因本人的代码有所修改，测试代码参考
https://github.com/biubug6/Pytorch_Retinaface
detect_img_m0.25.pypelee版检测代码：
detect_img_my.py
训练代码：
train_multipro_map_0125.py改进部分：
1.核心网络
2.特征融合
3.学习率衰减机制
4.动态调整los
5.正负样本筛选机制
测试说明：
阈值设置为0.8
下面是样例图测试结果：
mobilenet0.25：
pelee版：
mobilenet0.25版：
pelee改进版：
也可以下面微信联系我
