人脸识别开源框架对比（基于深度学习的人脸识别开源项目推荐）
人脸识别开源框架对比（基于深度学习的人脸识别开源项目推荐）项目地址：https://github.com/ageitgey/face_recognition然后使用基本模型通过迁移学习对ID自拍数据集进行微调。通过迁移学习，使用预先训练的基础模型，我们能够达到99.67%的准确率。项目地址：https://github.com/seasonSH/DocFaceDocFace是一个开源的人脸识别系统，可用于实时将身份证件照片与自拍照片进行匹配。这个项目是建立在TensorFlow和Python之上的。为了确保更好的性能，首先使用MatLab版本的MTCNN following SphereFace对齐所拍摄的面部自拍，用于训练基本模型的数据集是Ms-Celeb-1M和LFW。
Face.evoLVe项目地址：https://github.com/ZhaoJ9014/face.evoLVe
目前人脸识别开源项目众多，但真正能方便快捷拿来就用、性能指标业界领先的开源库并不多，而这个开源的 face.evoLVe 绝对是不容忽视的力量。作者不仅开源了代码（包括人脸识别的训练和测试的各个环节）和高精度预训练模型，连业界主流的数据集也都提供给大家下载。
项目地址：https://github.com/vipstone/faceai
FaceAI 是一款优秀的人脸、视频、文字：检测、识别的智能 AI 项目。主要功能如下：
- 人脸检测、识别（图片、视频）
- 轮廓标识
- 头像合成（给人戴帽子）
- 数字化妆（画口红、眉毛、眼睛等）
- 性别识别
- 表情识别（生气、厌恶、恐惧、开心、难过、惊喜、平静等七种情绪）
- 眼动追踪（待完善）
- 换脸（待实现）
项目地址：https://github.com/seasonSH/DocFace
DocFace是一个开源的人脸识别系统，可用于实时将身份证件照片与自拍照片进行匹配。这个项目是建立在TensorFlow和Python之上的。
为了确保更好的性能，首先使用MatLab版本的MTCNN following SphereFace对齐所拍摄的面部自拍，用于训练基本模型的数据集是Ms-Celeb-1M和LFW。
然后使用基本模型通过迁移学习对ID自拍数据集进行微调。通过迁移学习，使用预先训练的基础模型，我们能够达到99.67%的准确率。
人脸识别项目地址：https://github.com/ageitgey/face_recognition
Adam Geitgey的Face_Recognition是世界上最简单的内置Python人脸识别API，可以从命令行使用。这个项目基于深度学习，使用dlib最先进的面部识别库。
之所以称为“最简单”，是因为它允许你将图像添加到文件夹中，并从命令行开始识别人脸，在wild基准测试中的标记面孔上，准确率为98.38%
人脸识别API的其他一些功能包括：
- 检测一张图片中的多张脸，并识别每张照片中出现的人。
- 在实时摄像头中检测人脸。
- 检测人的眼睛、鼻子、嘴、眉毛、下巴等面部特征，得到被检测部位的位置和轮廓。
- 检测面部特征并应用数字化妆
项目地址：https://github.com/ThoughtfulDev/EagleEye
ËagleEye是一个开源项目，可用于跟踪你的朋友，使用图像识别和反向图像搜索来找到他们的Facebook，Instagram和Twitter个人资料。要运行此项目，你必须安装Linux系统，如果你没有Linux系统，则还可以使用虚拟机安装Linux。
该项目是使用Python编程语言，最新的dlib人脸识别库和人脸识别API构建的。
项目地址：https://github.com/cavalleria/cavaface.pytorch
此项目为使用pytorch的人脸识别提供了高性能的分布式并行训练框架，包括各种主干（例如ResNet，IR，IR-SE，ResNeXt，AttentionNet-IR-SE，ResNeSt，HRNet等），各种损失（例如，Softmax，Focal，SphereFace，CosFace，AmSoftmax，ArcFace，ArcNegFace，CurricularFace，Li-Arcface，QAMFace等），各种数据扩充（例如，RandomErasing，Mixup，RandAugment，Cutout，CutMix等）和袋装改善性能的技巧。
GetMeThrough项目地址：https://github.com/malikshubham827/get-me-through
GetMeThrough是一个免费的开源软件，以离线模式实时工作的web应用程序，帮助任何活动的组织者仅允许授权或受邀的人参加活动，使用两步验证因素，即首先使用人脸识别技术检查该人是否在数据库中注册，否则将检查二维码。
本项目使用dlib预训练模型构建，该模型建立在Face_Recogniton API（如前所述）之上，以达到99.38%的准确率。本项目开发中使用的其他工具有MongoDB、materialecss，Node.js以及 Express.js 用于前端、后端、数据库和web应用框架。
按照这里给出的说明，你可以获得在本地计算机上运行的项目的副本，以便进行开发和测试。
