O projeto InsightFace é mantido principalmente por Jia Guo e Jiankang Deng.
Para todos os contribuidores principais, marque contribuir.
O código do InsightFace é lançado sob a licença MIT. Não há limitação para uso acadêmico e comercial.
Os dados de treinamento que contêm a anotação (e os modelos treinados com esses dados) estão disponíveis apenas para fins de pesquisa não comercial.
Tanto os modelos de download manual de nosso repositório github quanto os modelos de download automático com nossa biblioteca python seguem a política de licença acima (que é apenas para fins de pesquisa não comercial).
2024-08-01 Integramos nossos modelos de troca de rosto mais avançados: inswapper_cyn e inswapper_dax , no serviço de troca de rosto Picsi.Ai. Esses modelos superam quase todos os produtos comerciais semelhantes e nosso modelo de código aberto inswapper_128. Visite o site Picsi.Ai para usar o serviço e obter ajuda.
2024-05-04 Adicionamos o InspireFace, que é um SDK de reconhecimento facial de plataforma cruzada desenvolvido em C/C++, com suporte a vários sistemas operacionais e vários back-ends.
2023-04-01 : Integramos nossos modelos de troca de rosto mais avançados: inswapper_cyn e inswapper_dax e movemos o serviço para o bot Discord, que também suporta edição em imagens geradas no Midjourney, veja detalhes em web-demos/swapping_discord e nosso site Picsi.Ai .
2022-08-12 : Alcançamos o primeiro lugar no desafio de reconstrução facial monocular 3D baseado em projeção de perspectiva do workshop ECCV-2022 WCPA, artigo e código.
2021-11-30 : Lançado o desafio MFR-Ongoing (o mesmo que IFRT), que é uma versão estendida do iccv21-mfr.
2021-10-29 : Alcançamos o 1º lugar na faixa VISA do NIST-FRVT 1:1 usando Partial FC (Xiang An, Jiankang Deng, Jia Guo).
2024-08-01 Integramos nossos modelos de troca de rosto mais avançados: inswapper_cyn e inswapper_dax , no serviço de troca de rosto Picsi.Ai. Esses modelos superam quase todos os produtos comerciais semelhantes e nosso modelo de código aberto inswapper_128. Visite o site Picsi.Ai para usar o serviço e obter ajuda.
2024-05-04 Adicionamos o InspireFace, que é um SDK de reconhecimento facial de plataforma cruzada desenvolvido em C/C++, com suporte a vários sistemas operacionais e vários back-ends.
2024-04-17 : Reconstrução de refletância facial condicionada por identidade monocular aceita por CVPR-2024.
2023-08-08 : Lançamos a implementação da Estimativa Generalizante do Olhar com Supervisão Fraca a partir de Visualizações Sintéticas na reconstrução/olhar.
2023-05-03 : Lançamos a versão contínua do desafio anti-spoofing de face selvagem. Veja detalhes aqui.
2023-04-01 : Integramos nossos modelos de troca de rosto mais avançados: inswapper_cyn e inswapper_dax e movemos o serviço para o bot Discord, que também suporta edição em imagens geradas no Midjourney, veja detalhes em web-demos/swapping_discord e nosso site Picsi.Ai .
2023-02-13 : Lançamos um desafio anti-spoofing em larga escala no Wild Face no Workshop CVPR23, veja detalhes em Challenges/cvpr23-fas-wild.
2022-11-28 : Código de linha única para troca de identidade facial em nosso pacote python versão 0.7, verifique o exemplo aqui.
2022-10-28 : O site MFR-Ongoing foi refatorado. Crie problemas se houver algum bug.
2022-09-22 : Agora temos demonstrações na web: localização facial, reconhecimento facial e troca de rosto.
2022-08-12 : Alcançamos o primeiro lugar no desafio de reconstrução facial monocular 3D baseado em projeção de perspectiva do workshop ECCV-2022 WCPA, artigo e código.
2022-03-30 : FC parcial aceito pelo CVPR-2022.
2022-02-23 : SCRFD aceito pelo ICLR-2022.
2021-11-30 : Lançado o desafio MFR-Ongoing (o mesmo que IFRT), que é uma versão estendida do iccv21-mfr.
2021-10-29 : Alcançamos o 1º lugar na faixa VISA do NIST-FRVT 1:1 usando Partial FC (Xiang An, Jiankang Deng, Jia Guo).
2021-10-11 : Lançada a tabela de classificação do ICCV21 - Desafio de reconhecimento de rosto mascarado. Vídeo: Youtube, Bilibili.
2021-06-05 : Lançamos um Desafio e Workshop de Reconhecimento de Rosto Mascarado no ICCV 2021.
InsightFace é uma caixa de ferramentas de análise facial profunda 2D e 3D de código aberto, baseada principalmente em PyTorch e MXNet.
Por favor, verifique nosso site para obter detalhes.
O branch master funciona com PyTorch 1.6+ e/ou MXNet=1.6-1.8 , com Python 3.x .
O InsightFace implementa com eficiência uma rica variedade de algoritmos de última geração de reconhecimento facial, detecção facial e alinhamento facial, otimizados para treinamento e implantação.
Comece com nosso pacote python, para testar modelos de detecção, reconhecimento e alinhamento em imagens de entrada.
Por favor clique na imagem para assistir ao vídeo do Youtube. Para usuários do Bilibili, clique aqui.
A página no site do InsightFace também descreve todos os projetos suportados no InsightFace.
Você também pode estar interessado em alguns desafios do InsightFace.
Neste módulo, fornecemos dados de treinamento, configurações de rede e projetos de perdas para reconhecimento facial profundo.
Os métodos suportados são os seguintes:
Os backbones de rede comumente usados estão incluídos na maioria dos métodos, como IResNet, MobilefaceNet, MobileNet, InceptionResNet_v2, DenseNet, etc.
Os dados de treinamento incluem, mas não se limitam aos conjuntos de dados limpos MS1M, VGG2 e CASIA-Webface, que já foram compactados no formato binário MXNet. Consulte a página do conjunto de dados para obter detalhes.
Fornecemos pipelines de avaliação padrão IJB e Megaface em avaliação
Por favor, verifique o Model-Zoo para mais modelos pré-treinados.
Neste módulo, fornecemos dados de treinamento com anotações, configurações de rede e projetos de perda para treinamento, avaliação e inferência de detecção facial.
Os métodos suportados são os seguintes:
RetinaFace é um detector facial prático de estágio único aceito pelo CVPR 2020. Fornecemos código de treinamento, conjunto de dados de treinamento, modelos pré-treinados e scripts de avaliação.
SCRFD é uma abordagem eficiente de detecção facial de alta precisão que é inicialmente descrita no Arxiv. Fornecemos um pipeline fácil de usar para treinar detectores faciais de alta eficiência com suporte a NAS.
Neste módulo, fornecemos conjuntos de dados e pipelines de treinamento/inferência para alinhamento facial.
Métodos suportados:
SDUNets é um método baseado em mapa de calor aceito no BMVC.
SimpleRegression fornece modelos de pontos de referência faciais muito leves com regressão de coordenadas rápida. A entrada desses modelos é uma imagem facial cortada solta, enquanto a saída são as coordenadas diretas do ponto de referência.
Se você achar o InsightFace útil em sua pesquisa, considere citar os seguintes artigos relacionados:
@inproceedings{ren2023pbidr,
title={Facial Geometric Detail Recovery via Implicit Representation},
author={Ren, Xingyu and Lattas, Alexandros and Gecer, Baris and Deng, Jiankang and Ma, Chao and Yang, Xiaokang},
booktitle={2023 IEEE 17th International Conference on Automatic Face and Gesture Recognition (FG)},
year={2023}
}
@article{guo2021sample,
title={Sample and Computation Redistribution for Efficient Face Detection},
author={Guo, Jia and Deng, Jiankang and Lattas, Alexandros and Zafeiriou, Stefanos},
journal={arXiv preprint arXiv:2105.04714},
year={2021}
}
@inproceedings{gecer2021ostec,
title={OSTeC: One-Shot Texture Completion},
author={Gecer, Baris and Deng, Jiankang and Zafeiriou, Stefanos},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
year={2021}
}
@inproceedings{an_2022_pfc_cvpr,
title={Killing Two Birds with One Stone: Efficient and Robust Training of Face Recognition CNNs by Partial FC},
author={An, Xiang and Deng, Jiangkang and Guo, Jia and Feng, Ziyong and Zhu, Xuhan and Jing, Yang and Tongliang, Liu},
booktitle={CVPR},
year={2022}
}
@inproceedings{an_2021_pfc_iccvw,
title={Partial FC: Training 10 Million Identities on a Single Machine},
author={An, Xiang and Zhu, Xuhan and Gao, Yuan and Xiao, Yang and Zhao, Yongle and Feng, Ziyong and Wu, Lan and Qin, Bin and Zhang, Ming and Zhang, Debing and Fu, Ying},
booktitle={ICCVW},
year={2021},
}
@inproceedings{deng2020subcenter,
title={Sub-center ArcFace: Boosting Face Recognition by Large-scale Noisy Web Faces},
author={Deng, Jiankang and Guo, Jia and Liu, Tongliang and Gong, Mingming and Zafeiriou, Stefanos},
booktitle={Proceedings of the IEEE Conference on European Conference on Computer Vision},
year={2020}
}
@inproceedings{Deng2020CVPR,
title = {RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild},
author = {Deng, Jiankang and Guo, Jia and Ververas, Evangelos and Kotsia, Irene and Zafeiriou, Stefanos},
booktitle = {CVPR},
year = {2020}
}
@inproceedings{guo2018stacked,
title={Stacked Dense U-Nets with Dual Transformers for Robust Face Alignment},
author={Guo, Jia and Deng, Jiankang and Xue, Niannan and Zafeiriou, Stefanos},
booktitle={BMVC},
year={2018}
}
@article{deng2018menpo,
title={The Menpo benchmark for multi-pose 2D and 3D facial landmark localisation and tracking},
author={Deng, Jiankang and Roussos, Anastasios and Chrysos, Grigorios and Ververas, Evangelos and Kotsia, Irene and Shen, Jie and Zafeiriou, Stefanos},
journal={IJCV},
year={2018}
}
@inproceedings{deng2018arcface,
title={ArcFace: Additive Angular Margin Loss for Deep Face Recognition},
author={Deng, Jiankang and Guo, Jia and Niannan, Xue and Zafeiriou, Stefanos},
booktitle={CVPR},
year={2019}
}
Principais contribuidores:
guojia[at]gmail.comjiankangdeng[at]gmail.comanxiangsir[at]gmail.comjackyu961127[at]gmail.combarisgecer[at]msn.com
