Retinaface 和 Face-Detector-1MB-with-landmark yolov5n-face 分别部署到 MaixCAM(SG2002)上，以及对比测试

分别使用两个模型：

• Pytorch_Retinaface： https://github.com/biubug6/Pytorch_Retinaface
• Face-Detector-1MB-with-landmark： https://github.com/biubug6/Face-Detector-1MB-with-landmark
• YOLOv5n-face: https://github.com/derronqi/yolov8-face

将它们分别移植到 MaixPy(MaixCAM)，使用 NPU 进行加速，代码已经开源，请到MaixPy查看。

测试图：

640x640

均使用 640x640, 图片会先等比例缩放周围填黑色再识别，retinaface 用 mobilenet0.25主干， facedetector_1MB_landmark 用 RFB 模型：

• retinaface, CPU预处理+npu处理+CPU后处理 73ms， 阈值设置比较高(0.4), 效果：
  
  

• facedetector 1MB landmark, CPU预处理+npu处理+CPU后处理 65ms， 阈值设置比较高(0.4), 效果：
  
  

• yolov5n-face: 100ms 左右
  
  

320x320

均使用 320x320, 图片会先等比例缩放周围填黑色再识别， retinaface 用 mobilenet0.25主干， facedetector_1MB_landmark 用 RFB 模型：
缩放后传进npu的图像：

• retinaface, CPU预处理+npu处理+CPU后处理 17~21ms， 阈值设置比较高(0.4), 效果：
  
  

• facedetector 1MB landmark, CPU预处理+npu处理+CPU后处理 18ms， 阈值设置比较高(0.4), 效果：
  
  

• yolov8n-face 30ms左右：
  
  

对比

retinaface 和 facedetector_1MB_landmark 看起来后者运行速度会快一点，识别到的人也多一些，但是两者均出现了误识别的问题，会错误地识别到一些非人脸的物体（本文没有贴出，实际摄像头测试发现的），实际应用时需要考虑到并想办法过滤。

YOLOv8n-face 精度会高一些，但是速度也会慢一些，根据实际使用场景选择合适的即可。