因为要做人数识别实验，关注了一下PyramidBox。PyramidBox模型是百度自研的人脸检测模型，2018年3月份在WIDER Face数据集上取得第一名。是一种语境辅助的单次人脸检测新方法，能够解决在不受控制的环境中检测小的、模糊的及部分遮挡的人脸时的问题。它基于SSD的单阶段人脸检测器，利用上下文信息解决困难人脸的检测问题。如下图所示，PyramidBox在六个尺度的特征图上进行不同层级的预测。该工作主要包括以下模块：LFPN、Pyramid Anchors、CPM、Data-anchor-sampling。具体可以参考该方法对应的论文 https://arxiv.org/pdf/1803.07737.pdf  。

使用pyramidBox，不需要从头做起，paddleHub提供了很多预训练的模型，如果需求近似，甚至是开箱即用。在我准备进行的数人头的这个情况下，完全可以利用pyramidBox对不完整人脸的优异识别能力，估算人数下限。由于运行环境比较宽松，我使用了 pyramidbox_lite_server（ https://www.paddlepaddle.org.cn/hubdetail?name=pyramidbox_lite_server&en_cate ）和pyramidbox_face_detection（ https://www.paddlepaddle.org.cn/hubdetail?name=pyramidbox_face_detection&en_category=ObjectDetection ）这两个预训练模型。

使用的方法很简单，首先要安装paddleHub：

pip install paddlehub

然后根据选用的预训练模型安装：

hub install pyramidbox_lite_server==1.1.1
hub install pyramidbox_face_detection==1.0.0

之后就可以加载hub

import paddlehub as hub

加载模型和使用的方法略有不同，先看pyramidbox_lite_server：

import cv2
module = hub.Module(name="pyramidbox_lite_server")
test_img_path = "/PATH/image.jpg"
input_dict = {"data": [cv2.imread(test_img_path)]}
results = module.face_detection(data=input_dict)
print(len(results[0]['data']))

注意，input_dict的data是一个list，每一项都是读入的图片二进制数据。实测list包含500张图片毫无压力，ai studio的cpu环境不到20分钟出结果。

但是pyramidbox_face_detection的使用就要复杂一些了：

module = hub.Module(name="pyramidbox_face_detection")
test_img_path = "PATH/TO/IMAGE"
input_dict = {"image": [test_img_path]}
results = module.face_detection(data=input_dict)
print(len(result['data']))

这里要用image这个list，传进一组图片的路径。实验发现，在ai studio的cpu环境100张是会报内存不足的，最后每批50通过。不仅内存消耗大得多，pyramidbox_face_detection的速度也明显变慢，但是带来的好处是准确识别的数量大幅度提高。为了提高pyramidbox_face_detection的速度，我做了一个小改动——在运行时发现，会自动生成一个文件夹，并将识别的结果标注好之后生成图片存放进去。这就带来了一定的多余运算和io消耗，但是没有在文档中找到关闭这一过程的方法。因此只好用点非常规手段了。

由于hub会自己管理下载的模型和代码，因此要想关掉标注图输出，就得先找到代码存放位置。我把data参数设为空字典，引发了异常，这样就找到了py文件，然后在终端用vi打开，将153行的“self.visualization = True”改为“self.visualization = False”，:wq保存后再运行，就不会浪费资源在标注图上了。

最后上传验证，results.pyramidbox_lite_server的得分（错误率）是0.69937分，results.pyramidbox_face_detection的得分（错误率）是0.45743分。因为这两个模型是以人脸为标准计数的，所以比数进去只露后脑勺和腿的要低，但是，考虑到去年的飞桨常规赛第一的分数是0.59206，就知道这两个预训练模型有多厉害了。