Système de reconnaissance faciale DFace v0.5

DFace est un système open source de détection et de reconnaissance faciale d'apprentissage profond. Toutes les fonctions sont développées à l'aide du framework pytorch. Pytorch est un framework d'apprentissage profond développé par Facebook. Il contient des fonctionnalités avancées intéressantes, telles que la dérivation automatique, la composition dynamique, etc. DFace hérite naturellement de ces avantages, rendant son processus de formation plus simple et plus pratique, et le code implémenté plus clair et plus facile à comprendre. DFace peut exploiter CUDA pour prendre en charge le mode d'accélération GPU. Nous vous recommandons d'essayer le mode GPU Linux, qui permet d'obtenir des effets presque en temps réel.

Si vous êtes intéressé par DFace et souhaitez participer à ce projet, les TODO suivantes sont quelques fonctions qui doivent être implémentées

1. Développez la fonction de comparaison de visages basée sur le principe de perte de centre ou de perte de triplet, et le modèle utilise ResNet Inception v2. Cette fonctionnalité compare la similitude de deux images de visage. Pour plus de détails, veuillez vous référer à Paper et FaceNet

2. Fonction anti-fraude, qui empêche les attaques photo, les attaques vidéo, les attaques de lecture, etc. en fonction des caractéristiques du visage telles que la lumière et la texture. Pour plus de détails, veuillez vous référer à l'algorithme LBP et au modèle de formation SVM.

3. Visage 3D anti-fraude.

4. Transplantation mobile : migrez le modèle formé par pytorch vers caffe2 selon la norme ONNX, et certains algorithmes numpy sont implémentés en c++.

5. Transplantation Tensor RT, haute concurrence.

6. Prise en charge de Docker, version GPU

Installer

DFace comporte principalement deux modules, la détection de visage et la reconnaissance de visage. Je fournirai les étapes détaillées pour la formation et l’exécution de tous les modèles. Vous devez d'abord créer un environnement python pour pytorch et cv2. Je recommande d'utiliser Anaconda pour configurer un environnement virtuel indépendant. Si vous utilisez le mode de formation GPU, vous devez installer cuda et cudnn de Nvidia. L'auteur préfère actuellement l'environnement d'installation Linux Ubuntu. Merci à l'internaute enthousiaste d'avoir fourni l'expérience d'installation de Windows DFace. Pour le didacticiel d'installation détaillé de Windos, veuillez vous référer à son blog.

compter sur

cuda 8.0

anaconda

torche

vision de la torche

CV2

matplotlib