InsightFace: 2D和3D人脸分析项目

<div align="left"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/f0ea7258-de00-4059-891b-ded7fcef73fa.jpg" width="240"/> </div>

InsightFace项目主要由Jia Guo和Jiankang Deng维护。

所有主要贡献者请查看贡献。

许可证

InsightFace的代码基于MIT许可证发布。对学术和商业用途均无限制。

包含标注的训练数据（以及使用这些数据训练的模型）仅可用于非商业研究目的。

无论是从我们的GitHub仓库手动下载模型，还是通过我们的Python库自动下载模型，均遵循上述许可政策（仅限非商业研究目的）。

最新消息

2024-08-01 我们已将最先进的换脸模型：inswapper_cyn和inswapper_dax集成到Picsi.Ai换脸服务中。这些模型的性能超越了几乎所有类似的商业产品和我们的开源模型inswapper_128。请访问Picsi.Ai网站使用该服务并获取帮助。

2024-05-04 我们添加了InspireFace，这是一个用C/C++开发的跨平台人脸识别SDK，支持多种操作系统和各种后端。

2023-04-01：我们集成了最先进的换脸模型：inswapper_cyn和inswapper_dax，并将服务转移到Discord机器人上，该机器人还支持编辑Midjourney生成的图像，详情请参见web-demos/swapping_discord和我们的Picsi.Ai网站。

2022-08-12：我们在ECCV-2022 WCPA研讨会的基于透视投影的单目3D人脸重建挑战赛中获得第一名，论文和代码。

2021-11-30：MFR-Ongoing挑战赛启动（与IFRT相同），这是iccv21-mfr的扩展版本。

2021-10-29：我们使用Partial FC（作者：Xiang An, Jiankang Deng, Jia Guo）在NIST-FRVT 1:1的VISA赛道上获得第一名。

更新日志

2024-08-01 我们已将最先进的换脸模型：inswapper_cyn和inswapper_dax集成到Picsi.Ai换脸服务中。这些模型的性能超越了几乎所有类似的商业产品和我们的开源模型inswapper_128。请访问Picsi.Ai网站使用该服务并获取帮助。

2024-05-04 我们添加了InspireFace，这是一个用C/C++开发的跨平台人脸识别SDK，支持多种操作系统和各种后端。

2024-04-17：基于单目身份条件的面部反射重建被CVPR-2024接收。

2023-08-08：我们在reconstruction/gaze发布了利用合成视图的弱监督泛化视线估计的实现。

2023-05-03：我们启动了野外人脸反欺骗挑战赛的持续版本。详情请见此处。

2023-04-01：我们集成了最先进的换脸模型：inswapper_cyn和inswapper_dax，并将服务转移到Discord机器人上，该机器人还支持编辑Midjourney生成的图像，详情请参见web-demos/swapping_discord和我们的Picsi.Ai网站。

2023-02-13：我们在CVPR23研讨会上发起了大规模野外人脸反欺骗挑战赛，详情请见challenges/cvpr23-fas-wild。

2022-11-28：我们的Python包0.7版本中提供了单行代码实现面部身份交换，请查看此处的示例。

2022-10-28：MFR-Ongoing网站已重构，如有任何问题请提交issue。

2022-09-22：现在我们有Web演示：人脸定位、人脸识别和换脸。

2022-08-12：我们在ECCV-2022 WCPA研讨会的基于透视投影的单目3D人脸重建挑战赛中获得第一名，论文和代码。

2022-03-30：Partial FC被CVPR-2022接收。

2022-02-23：SCRFD被ICLR-2022接收。 2021年11月30日：启动了MFR-Ongoing挑战（与IFRT相同），这是iccv21-mfr的扩展版本。

2021年10月29日：我们在NIST-FRVT 1:1的VISA赛道上使用Partial FC（Xiang An, Jiankang Deng, Jia Guo）获得第一名。

2021年10月11日：发布了ICCV21 - 带口罩人脸识别挑战赛的排行榜。视频：Youtube，Bilibili。

2021年6月5日：我们在ICCV 2021上发起了带口罩人脸识别挑战赛与研讨会。

简介

InsightFace是一个开源的2D&3D深度人脸分析工具箱，主要基于PyTorch和MXNet。

详情请查看我们的网站。

主分支适用于PyTorch 1.6+和/或MXNet=1.6-1.8，使用Python 3.x。

InsightFace高效实现了多种最先进的人脸识别、人脸检测和人脸对齐算法，针对训练和部署进行了优化。

快速开始

请从我们的python-包开始，用于在输入图像上测试检测、识别和对齐模型。

ArcFace视频演示

<img src=https://insightface.ai/assets/img/github/facerecognitionfromvideo.PNG width="760" />

请点击图片观看Youtube视频。对于Bilibili用户，请点击这里。

项目

InsightFace网站的页面也描述了InsightFace中支持的所有项目。

你可能也对InsightFace举办的一些挑战赛感兴趣。

人脸识别

简介

在这个模块中，我们提供了深度人脸识别的训练数据、网络设置和损失函数设计。

支持的方法如下：

• ArcFace_mxnet (CVPR'2019)
• ArcFace_torch (CVPR'2019)
• SubCenter ArcFace (ECCV'2020)
• PartialFC_mxnet (CVPR'2022)
• PartialFC_torch (CVPR'2022)
• VPL (CVPR'2021)
• Arcface_oneflow
• ArcFace_Paddle (CVPR'2019)

大多数方法中包含常用的网络骨干，如IResNet、MobilefaceNet、MobileNet、InceptionResNet_v2、DenseNet等。

数据集

训练数据包括但不限于经过清理的MS1M、VGG2和CASIA-Webface数据集，这些已经打包成MXNet二进制格式。详情请参阅数据集页面。

评估

我们在evaluation中提供了标准的IJB和Megaface评估流程。

预训练模型

请查看Model-Zoo获取更多预训练模型。

ArcFace的第三方重新实现

• TensorFlow: InsightFace_TF
• TensorFlow: tf-insightface
• TensorFlow:insightface
• PyTorch: InsightFace_Pytorch
• PyTorch: arcface-pytorch
• Caffe: arcface-caffe
• Caffe: CombinedMargin-caffe
• Tensorflow: InsightFace-tensorflow
• TensorRT: wang-xinyu/tensorrtx
• TensorRT: InsightFace-REST
• ONNXRuntime C++: ArcFace-ONNXRuntime
• ONNXRuntime Go: arcface-go
• MNN: ArcFace-MNN
• TNN: ArcFace-TNN
• NCNN: ArcFace-NCNN

人脸检测

简介

<div align="left"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/b4fba593-a726-4000-aaae-4f889f321482.jpg" width="640"/> </div>

在这个模块中，我们提供了带注释的训练数据、网络设置和损失函数设计，用于人脸检测的训练、评估和推理。

支持的方法如下：

• RetinaFace (CVPR'2020)
• SCRFD (Arxiv'2021)
• blazeface_paddle RetinaFace 是一个实用的单阶段人脸检测器，已被 CVPR 2020 接受。我们提供了训练代码、训练数据集、预训练模型和评估脚本。

SCRFD 是一种高效且高精度的人脸检测方法，最初在 Arxiv 上描述。我们提供了一个易于使用的流程，可以训练具有 NAS 支持的高效人脸检测器。

人脸对齐

简介

<div align="left"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/28e99dc9-d8a5-4213-b212-6fd3cffe1b25.png" width="600"/> </div>

在这个模块中，我们提供了用于人脸对齐的数据集和训练/推理流程。

支持的方法：

• SDUNets (BMVC'2018)
• SimpleRegression

SDUNets 是一种基于热图的方法，已被 BMVC 接受。

SimpleRegression 提供了非常轻量级的面部特征点模型，具有快速坐标回归功能。这些模型的输入是宽松裁剪的人脸图像，而输出是直接的特征点坐标。

引用

如果您在研究中发现 InsightFace 有用，请考虑引用以下相关论文：

（此处略去引用内容）

贡献

主要贡献者：

• Jia Guo，guojia[at]gmail.com
• Jiankang Deng jiankangdeng[at]gmail.com
• Xiang An anxiangsir[at]gmail.com
• Jack Yu jackyu961127[at]gmail.com
• Baris Gecer barisgecer[at]msn.com