用目前开源最强的人脸识别模型搭建SOTA人脸识别系统（python+onnx）

用目前开源最强的人脸识别模型搭建SOTA人脸识别系统（python+onnx）

前言

人脸识别是cv自从2015年以来最成功的商业应用之一, 人脸识别算法近5年是没有什么发展的，其实也不需要发展了，基本上到天花板了，目前各个公司的主要差距还是在数据上。目前我发现网上大部分的资料还有用facenet？opencv?确实技术太老了，我知道的18年我都不用这些的。

Pipeline

虽然很简单我还是简单介绍下人脸识别的pipeline:

• 人脸和关键点检测
• 人脸crop & align
• 人脸特征提取
• 人脸向量检索

Q1: 可不可以不人脸关键点检测
A: 可以, 关键点检测是为了后面的人脸矫正，更好的矫正角度可以提高识别精度。不检测关键点，不矫正其实也是可以的。

Q2: 特征点提取是什么原理
A: 就是经典的度量学习，通过设计loss将一张图像通过模型映射到隐空间上。loss可以看看啊arcface。

Ours

前面的铺垫，是为了让大家记住, 目前数据才是影响人脸识别最大的因素。我们在这总结了目前最强的模型是由insightface开源ResNet50@WebFace600K(即:backbone为resnet50, 训练数据集为webface600k)。

WE DO

1. 我们从insighface开源代码中,抽离出了检测/矫正/特征提取采用onnx加速。结构清晰/代码简单
2. 我们支持注册/检索数据库，采用facebook发布的faiss可支持亿万级检索(当然主要看内存)
3. 我们自带GUI前端，和一键式安装脚本。我们可以有效处理文件/遍历文件夹/自带摄像头。
4. 我们的python源码可以帮助你了解熟悉人脸识别流程。

结束语

对于创意项目，我会倾向于选择那些具有较大工作量、相对较难且有未来前景的项目进行实现。这也导致完成一个课题项目可能需要2到3个月甚至更长的时间，因此更新的频率会相对较慢。

同时，欢迎大家在评论区留言，分享任何新颖有趣的课题，我将考虑并予以实现。

项目代码和更新地址见我的面包多平台。