MindFace是一款基于 MindSpore 的开源工具包，包含最先进的人脸识别和检测模型，如ArcFace、RetinaFace和其他模型，主要用于面部识别和检测等常见应用场景。
MindFace主要具有以下优点:
-
统一应用程序编程接口
MindFace通过解耦模型为人脸识别和检测提供了统一的应用程序编程接口，从而可以使用MindFace API直接调用模型，这大大降低了用户构建算法的难度。
-
强大的可扩展性
MindFace目前支持基于统一API的人脸识别和检测，具有强大可扩展性，它可以支持许多主干网络、数据集和损失函数。此外，MindFace还支持多平台调试，包括CPU、GPU和Ascend平台。
基准结果
识别任务
基于MindSpore实现的ArcFace系列模型取得了良好性能。我们基于ResNet、MobileNet和vit实现了三个版本，以满足不同的需求。详细结果如下表所示。
| 数据集 | 主干网络 | lfw | cfp_fp | agedb_30 | calfw | cplfw |
|---|---|---|---|---|---|---|
| CASIA | mobilefacenet-0.45g | 0.98483+-0.00425 | 0.86843+-0.01838 | 0.90133+-0.02118 | 0.90917+-0.01294 | 0.81217+-0.02232 |
| CASIA | r50 | 0.98667+-0.00435 | 0.90357+-0.01300 | 0.91750+-0.02277 | 0.92033+-0.01122 | 0.83667+-0.01719 |
| CASIA | r100 | 0.98950+-0.00366 | 0.90943+-0.01300 | 0.91833+-0.01655 | 0.92433+-0.01017 | 0.84967+-0.01904 |
| CASIA | vit-t | 0.98400+-0.00704 | 0.83229+-0.01877 | 0.87283+-0.02468 | 0.90667+-0.00934 | 0.80700+-0.01767 |
| CASIA | vit-s | 0.98550+-0.00806 | 0.85557+-0.01617 | 0.87850+-0.02194 | 0.91083+-0.00876 | 0.82500+-0.01685 |
| CASIA | vit-b | 0.98333+-0.00553 | 0.85829+-0.01836 | 0.87417+-0.01838 | 0.90800+-0.00968 | 0.81400+-0.02236 |
| CASIA | vit-l | 0.97600+-0.00898 | 0.84543+-0.01718 | 0.85317+-0.01411 | 0.89733+-0.00910 | 0.79550+-0.01648 |
| MS1MV2 | mobilefacenet-0.45g | 0.98700+-0.00364 | 0.88214+-0.01493 | 0.90950+-0.02076 | 0.91750+-0.01088 | 0.82633+-0.02014 |
| MS1MV2 | r50 | 0.99767+-0.00260 | 0.97186+-0.00652 | 0.97783+-0.00869 | 0.96067+-0.01121 | 0.92033+-0.01732 |
| MS1MV2 | r100 | 0.99383+-0.00334 | 0.96800+-0.01042 | 0.93767+-0.01724 | 0.93267+-0.01327 | 0.89150+-0.01763 |
| MS1MV2 | vit-t | 0.99717+-0.00279 | 0.92714+-0.01389 | 0.96717+-0.00727 | 0.95600+-0.01198 | 0.89950+-0.01291 |
| MS1MV2 | vit-s | 0.99767+-0.00260 | 0.95771+-0.01058 | 0.97617+-0.00972 | 0.95800+-0.01142 | 0.91267+-0.01104 |
| MS1MV2 | vit-b | 0.99817+-0.00252 | 0.94200+-0.01296 | 0.97517+-0.00858 | 0.96000+-0.01179 | 0.90967+-0.01152 |
| MS1MV2 | vit-l | 0.99750+-0.00291 | 0.93714+-0.01498 | 0.96483+-0.01031 | 0.95817+-0.01158 | 0.90450+-0.01062 |
检测任务
对于检测任务，我们选取了Resnet50和Mobilenet0.25作为主干网络，Retinaface作为模型架构，以实现良好的人脸检测性能。详细结果如下表所示。
| 数据集 | 主干网络 | 简单 | 中等 | 困难 |
|---|---|---|---|---|
| WiderFace | mobileNet0.25 | 91.60% | 89.50% | 82.39% |
| WiderFace | ResNet50 | 95.81% | 94.89% | 90.10% |
-
使用ML Kit的人脸识别API，您可以检测图像中的人脸并识别关键面部特征。 借助人脸识别功能，您可以获取所需的信息，以执行修饰自拍和美化人像等任务或从用户照片中生成头像。由于ML Kit可以执行实时的人脸识别，因此您可以将其用于视频聊天或会对玩家表情进行响应的游戏等应用程序。 iOS Android 核心功能 识别和定位面部特征 获取检测到的每个人脸的眼睛，耳朵，脸颊，鼻子和嘴巴的坐标。 识别面
-
1.1. 1.FACE SDK集成 1.2. 2. 接口说明及示例 1.2.1. 2.0 人脸检测参数配置： 1.2.2. 2.1 单帧图片检测： 1.2.3. 2.2 相机预览人脸检测： 1.2.4. 2.3 人脸数据库操作： Version：facelib.aar 1.1. 1.FACE SDK集成 添加三方依赖库： dependencies { compile 'com.rokid:
-
DWZ 百度人脸识别模块 dwzBaiduFaceLive 百度人脸识别模块【apicloud】 功能介绍 https://www.apicloud.com/mod_detail/dwzBaiduFaceLive 封装了新版百度开放平台的人脸识别采集 SDK： 包含活体动作 faceLiveness 不包含活体动作 faceDetect 考虑灵活度问题，本模块只作人脸采集，人脸识别成功后生成 ba
-
1.接口描述 对照片中的人脸进行检测，返回人脸数目和每张人脸的位置信息 图片要求 格式为 JPG（JPEG），BMP，PNG，GIF，TIFF 宽和高大于 8px，小于等于4000px 小于等于 5 MB 请求方式： POST 请求URL： https://cloudapi.linkface.cn/face/face_detect 2.请求参数 字段 类型 必需 描述 api_id string
-
我正在尝试使用amazon rekognition和kinesis执行人脸检测和识别。我正在使用位于本地网络上的IP摄像头 根据AWS文件，我做了以下工作： 1.-在本地计算机（ubuntu 18）上。我已经使用“C生产者库”将数据发送到“Kinesis视频流”。我可以在名为“示例流”的“Kinesis视频流”中观看ip摄像机的视频 2.-我使用“EC2”服务创建了一个“t2.micro”实例。在
-
DWZ 百度人脸识别插件 dwz-BaiduFaceLive 百度人脸识别插件【dcloud】 功能介绍 https://ext.dcloud.net.cn/plugin?id=4794 封装了新版百度开放平台的人脸识别采集 SDK： 包含活体动作 faceLiveness 不包含活体动作 faceDetect 考虑灵活度问题，本插件只作人脸采集，人脸识别成功后生成 base64 头像图片，开发者
-
请求URL /api/v1/vision/face-comparison 请求方法 POST Header Content-Type application/json body请求体 { "FirstFace": { "FaceImage": { "Content": "base64 image string" }, },
-
match_faces(self,*args,**kwargs)方法 调用人脸对比接口,返回人脸对比的结果 requestsyntax image1 = Image(uri="fds://cnbj2.fds.api.xiaomi.com/vision-test/test_img.jpg") image2 = Image(uri="fds://cnbj2.fds.api.xiaomi.com/vis