说明文档
来自 insightface 项目 的 ONNX 模型。
如何使用
pip install dghs-realutils>=0.1.0
from realutils.face.insightface import isf_face_batch_similarity, isf_analysis_faces, isf_faces_visualize
image_path = "/your/image/file"
# 获取所有面部分析结果
faces = isf_analysis_faces(image_path)
print(faces)
# 比较它们
print(isf_face_batch_similarity([face.embedding for face in faces]))
# 可视化
isf_faces_visualize(image_path, faces).show()
可用模型
我们在一些人脸识别评估数据集上评估了所有这些模型。
- CFPW（500 个身份/7K 张图像/7K 对）[1]
- LFW（5749 个身份/13233 张图像/6K 对）[2]
- CALFW（5749 个身份/13233 张图像/6K 对）[3]
- CPLFW（5749 个身份/13233 张图像/6K 对）[4]
以下是完整结果和推荐阈值。
- Det：人脸检测和关键点定位的成功率。
- Rec-F1：人脸识别中达到的最大 F1 分数。
- Rec-Thresh：由最大 F1 分数确定的最佳阈值。
| Model | Eval ALL (Det/Rec-F1/Rec-Thresh) | Eval CALFW (Det/Rec-F1/Rec-Thresh) | Eval CFPW (Det/Rec-F1/Rec-Thresh) | Eval CPLFW (Det/Rec-F1/Rec-Thresh) | Eval LFW (Det/Rec-F1/Rec-Thresh) |
|---|---|---|---|---|---|
| buffalo_l | 99.88% / 98.34% / 0.2203 | 100.00% / 95.75% / 0.2273 | 99.99% / 99.66% / 0.1866 | 99.48% / 96.41% / 0.2207 | 100.00% / 99.85% / 0.2469 |
| buffalo_s | 99.49% / 96.87% / 0.1994 | 99.99% / 94.45% / 0.2124 | 99.65% / 98.64% / 0.1845 | 98.04% / 92.61% / 0.2019 | 100.00% / 99.68% / 0.2314 |
[1] Sengupta Soumyadip, Chen Jun-Cheng, Castillo Carlos, Patel Vishal M, Chellappa Rama, Jacobs David W, Frontal to profile face verification in the wild, WACV, 2016.
[2] Gary B. Huang, Manu Ramesh, Tamara Berg, and Erik Learned-Miller. Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments, 2007.
[3] Zheng Tianyue, Deng Weihong, Hu Jiani, Cross-age lfw: A database for studying cross-age face recognition in unconstrained environments, arXiv:1708.08197, 2017.
[4] Zheng, Tianyue, and Weihong Deng. Cross-Pose LFW: A Database for Studying Cross-Pose Face Recognition in Unconstrained Environments, 2018.
deepghs/insightface
作者 deepghs
创建时间: 2025-02-23 16:02:30+00:00
更新时间: 2025-02-25 16:30:44+00:00
在 Hugging Face 上查看