--- title: cv_resnet101_face-detection_cvpr22papermogface canonical_url: "https://www.modelscope.cn/models/iic/cv_resnet101_face-detection_cvpr22papermogface" md_url: "https://www.modelscope.cn/models/iic/cv_resnet101_face-detection_cvpr22papermogface.md" repository: iic/cv_resnet101_face-detection_cvpr22papermogface chinese_name: "MogFace人脸检测模型-large" last_updated: 2023-02-15 license: "MIT License" pipeline_tag: face-detection tasks: - face-detection library_name: - pytorch frameworks: - pytorch domain: - cv downloads: 139610 stars: 55 tags: - Alibaba - CVPR2022 --- # cv_resnet101_face-detection_cvpr22papermogface > cv_resnet101_face-detection_cvpr22papermogface - iic 在 ModelScope 开源的模型。Wider Face榜单冠军模型。给定一张图片，检测图片中的人脸区域，支持小脸检测。 iic/cv_resnet101_face-detection_cvpr22papermogface 是 ModelScope 魔搭社区上的face-detection模型，采用 MIT License 许可。 - **Repository**: iic/cv_resnet101_face-detection_cvpr22papermogface - **License**: MIT License - **Tasks**: face-detection - **Tags**: Alibaba, CVPR2022 - **Downloads**: 139610 - **Stars**: 55 - **Last updated**: 2023-02-15 Source: https://www.modelscope.cn/models/iic/cv_resnet101_face-detection_cvpr22papermogface --- # MogFace 模型介绍 稳定调用及效果更好的API，详见视觉开放智能平台：[人脸检测与五官定位](https://vision.aliyun.com/experience/detail?tagName=facebody&children=DetectFace&spm=a2cio.27993362)。 人脸检测模型MogFace ## 模型描述 MogFace为当前SOTA的人脸检测方法，已在Wider Face六项榜单上霸榜一年以上，后续被CVPR2022录取([论文地址](https://openaccess.thecvf.com/content/CVPR2022/papers/Liu_MogFace_Towards_a_Deeper_Appreciation_on_Face_Detection_CVPR_2022_paper.pdf)，[代码地址](https://github.com/damo-cv/MogFace))，该方法的主要贡献是从下面三个角度提升人脸检测器： - Scale-level Data Augmentation (SSE)：SSE是第一个从maximize pyramid layer 表征的角度来控制数据集中gt的尺度分布，而不是intuitive的假想检测器的学习能力，因此会在不同场景下都很鲁棒。 - Adaptive Online Anchor Mining Strategy(Ali-AMS)：减少对超参的依赖， 简单且有效的adpative label assign 方法。 - Hierarchical Context-aware Module (HCAM)： 减少误检是real world人脸检测器面对的最大挑战，HCAM是最近几年第一次在算法侧给出solid solution。 MogFace在WiderFace榜单上的指标如下： ![Wider Face 榜单结果](MogFace.jpg) ## 模型效果 ![模型效果](demo.jpg) ## 模型使用方式和使用范围 本模型可以检测输入图片中人脸的位置。 ### 代码范例 ```python from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks mog_face_detection_func = pipeline(Tasks.face_detection, 'damo/cv_resnet101_face-detection_cvpr22papermogface') src_img_path = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/mog_face_detection.jpg' raw_result = mog_face_detection_func(src_img_path) print('face detection output: {}.'.format(raw_result)) # if you want to show the result, you can run from modelscope.utils.cv.image_utils import draw_face_detection_no_lm_result from modelscope.preprocessors.image import LoadImage import cv2 import numpy as np # load image from url as rgb order src_img = LoadImage.convert_to_ndarray(src_img_path) # save src image as bgr order to local src_img = cv2.cvtColor(np.asarray(src_img), cv2.COLOR_RGB2BGR) cv2.imwrite('src_img.jpg', src_img) # draw dst image from local src image as bgr order dst_img = draw_face_detection_no_lm_result('src_img.jpg', raw_result) # save dst image as bgr order to local cv2.imwrite('dst_img.jpg', dst_img) # show dst image by rgb order import matplotlib.pyplot as plt dst_img = cv2.cvtColor(np.asarray(dst_img), cv2.COLOR_BGR2RGB) plt.imshow(dst_img) ``` ### 使用方式 - 推理：输入图片，如存在人脸则返回人脸位置，可检测多张人脸 ### 目标场景 - 人脸相关的基础能力，可应用于人像美颜/互动娱乐/人脸比对等场景 ### 模型局限性及可能偏差 - 大脸的检测效果一般 - 当前版本在python 3.7环境测试通过，其他环境下可用性待测试 ### 预处理 测试时主要的预处理如下： - Normalize：图像归一化，减均值除以标准差 - Pad：图像高宽补零至32的倍数 ### 模型训练流程 - 在Wider Face数据集上使用SGD优化器，Warmup 3000个iteration, 初始学习率为1e-2，batch size 为28，训练了14w iteration. ### 测试集 - WIDERFACE： 测试集已上传至ModelScope的DatasetHub，详情请见[WIDER_FACE](https://modelscope.cn/datasets/shaoxuan/WIDER_FACE)。 ## 数据评估及结果 模型在WiderFace的验证集上客观指标如下： | Method | Easy | Medium | Hard | | ------------ | ------------ | ------------ | ------------ | | MogFace | 97.0 | 96.3 | 93.0 | ## 人脸相关模型 以下是ModelScope上人脸相关模型: - 人脸检测 | 序号 | 模型名称 | | ------------ | ------------ | | 1 | [RetinaFace人脸检测模型](https://modelscope.cn/models/damo/cv_resnet50_face-detection_retinaface/summary) | | 2 | [MogFace人脸检测模型-large](https://modelscope.cn/models/damo/cv_resnet101_face-detection_cvpr22papermogface/summary) | | 3 | [TinyMog人脸检测器-tiny](https://modelscope.cn/models/damo/cv_manual_face-detection_tinymog/summary) | | 4 | [ULFD人脸检测模型-tiny](https://modelscope.cn/models/damo/cv_manual_face-detection_ulfd/summary) | | 5 | [Mtcnn人脸检测关键点模型](https://modelscope.cn/models/damo/cv_manual_face-detection_mtcnn/summary) | | 6 | [ULFD人脸检测模型-tiny](https://modelscope.cn/models/damo/cv_manual_face-detection_ulfd/summary) | - 人脸识别 | 序号 | 模型名称 | | ------------ | ------------ | | 1 | [口罩人脸识别模型FaceMask](https://modelscope.cn/models/damo/cv_resnet_face-recognition_facemask/summary) | | 2 | [口罩人脸识别模型FRFM-large](https://modelscope.cn/models/damo/cv_manual_face-recognition_frfm/summary) | | 3 | [IR人脸识别模型FRIR](https://modelscope.cn/models/damo/cv_manual_face-recognition_frir/summary) | | 4 | [ArcFace人脸识别模型](https://modelscope.cn/models/damo/cv_ir50_face-recognition_arcface/summary) | | 5 | [IR人脸识别模型FRIR](https://modelscope.cn/models/damo/cv_manual_face-recognition_frir/summary) | - 人脸活体识别 | 序号 | 模型名称 | | ------------ | ------------ | | 1 | [人脸活体检测模型-IR](https://modelscope.cn/models/damo/cv_manual_face-liveness_flir/summary) | | 2 | [人脸活体检测模型-RGB](https://modelscope.cn/models/damo/cv_manual_face-liveness_flrgb/summary) | | 3 | [静默人脸活体检测模型-炫彩](https://modelscope.cn/models/damo/cv_manual_face-liveness_flxc/summary) | - 人脸关键点 | 序号 | 模型名称 | | ------------ | ------------ | | 1 | [FLCM人脸关键点置信度模型](https://modelscope.cn/models/damo/cv_manual_facial-landmark-confidence_flcm/summary) | - 人脸属性 & 表情 | 序号 | 模型名称 | | ------------ | ------------ | | 1 | [人脸表情识别模型FER](https://modelscope.cn/models/damo/cv_vgg19_facial-expression-recognition_fer/summary) | | 2 | [人脸属性识别模型FairFace](https://modelscope.cn/models/damo/cv_resnet34_face-attribute-recognition_fairface/summary) | ## 来源说明 本模型及代码来自达摩院自研技术 ## 引用 如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文： ```BibTeX @inproceedings{liu2022mogface, title={MogFace: Towards a Deeper Appreciation on Face Detection}, author={Liu, Yang and Wang, Fei and Deng, Jiankang and Zhou, Zhipeng and Sun, Baigui and Li, Hao}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition}, pages={4093--4102}, year={2022} } ```