Mikel
来源： GitHub 6大热门实时人脸识别开源项目！哪个最适合初级开发者？_github上有哪些好的深度学习人脸表情识别图像分类项目-CSDN博客
实时人脸识别系统在计算机视觉领域仍然是一个非常热门的话题，许多公司已经开发了自己的解决方案来尝试进入不断增长的市场。 与传统的识别方法相比，实时人脸识别系统的优势在于在连续帧中使用同一个人的多个实例。
如果你希望利用实时人脸识别的优势，开源项目可能是一个很好的起点。 由于源代码已发布，你可以看到它是如何工作的，并确保它不会窃取你的数据。 在本文中，我们将帮助你挑选最佳开源人脸识别项目，并向你展示为什么选择开源软件通常是最佳选择。
为什么选择开源人脸识别项目？
开源软件有很多优点。 首先，使用开源代码，你可以确定数据的处理方式。 其次，开源项目通常质量更高。由于多个开发人员不断审查代码，因此可以非常快速地识别错误。 第三，许可费用较低，此类项目通常由内部开发或由可自由选择的 IT 服务提供商开发。
很难找到过时的开源软件，因为它通常遵循现代软件开发实践。 最后，开源被认为是代码成熟的下一个层次。 它允许开发人员在几分钟内流利地理解代码并激励他们进行工作。
最佳开源人脸识别软件
我们研究了实时开源人脸识别软件的 github 存储库，并准备了一份最佳选择列表：
1.Deepface
该库支持不同的人脸识别方法，如 FaceNet 和 InsightFace。它还提供了 REST API，但它只支持验证方法，因此你无法创建人脸集合并在其中查找人脸。尽管 Python 开发人员很容易上手，但其他人可能更难集成。截至 2021 年初的最新版本是 0.0.49。
2.CompreFace
这个解决方案是2020年7月才在github上发布的，看起来非常有前途。 CompreFace 成为我们最好的开源人脸识别项目名单，因为它是少数可以通过一个 docker-compose 命令启动的自托管 REST API 人脸识别解决方案之一。
REST API 允许你轻松地将其集成到你的系统中，而无需事先具备机器学习技能。此外，它是可扩展的，因此你可以同时识别多个视频流中的人脸。
CompreFace 有一个用于管理用户角色和面部集合的简单 UI。它提供了两种最流行的人脸识别方法之间的选择：FaceNet（LFW 准确率 99.65%）和 InsightFace（LFW 准确率 99.86%）。它仍处于活跃的开发阶段，截至 2021 年初的最新版本是 0.5 版本。
3.Face Recognition
这个解决方案的主要特点是它使用了他们的 Python API 和二进制命令行工具。 此外，他们的 github 上提供了所有主要平台的安装说明，甚至是用于快速设置的 docker 镜像。
尽管它很受欢迎，但该软件有一些缺点。上一次发布是在 2018 年，此后没有重大改进。它使用了一个相当过时的人脸识别模型，在 LFW 上的准确率只有 99.38%，并且没有 REST API。
4.InsightFace
InsightFace 是另一个开源 Python 库，它使用最新最准确的人脸识别方法之一进行人脸检测 (RetinaFace) 和人脸识别 (SubCenter-ArcFace)。 该解决方案的准确率非常高——在 LFW 数据集上为 99.86%。 唯一的缺点是它不易于使用。
5. FaceNet
FaceNet 是一个流行的开源 Python 库。 这种方法的准确率相当高——在 LFW 数据集上为 99.65%，这很好但不是最高的。 此解决方案的缺点是它没有 REST API，并且不再支持存储库（最后一次更新是在 2018 年 4 月）。
6.InsightFace-REST
这是 2019 年创建的另一个有前途的存储库，并于 2020 年 10 月开始积极开发。与 CompreFace 一样，这是一个基于 docker 的解决方案，提供方便的 REST API。最大的优势是它的开发人员将 InsightFace 的识别速度提高了三倍。
这个解决方案的缺点是它只提供人脸的嵌入，没有提供用于实际人脸识别的 API，所以你需要有自己的分类器。该存储库仍然没有许可证，因此你需要询问作者是否可以使用它。截至 2021 年初的最新版本是 v0.5.9.6。
结论
尽管当今 GitHub 上可用的最佳开源人脸识别项目在功能上各不相同，但它们都有可能让你的开发更轻松。
在选择开源人脸识别解决方案时，我们建议编制与你的业务相关的标准列表，并选择优先考虑你所做的相同事情的选项。虽然可能有些功能对你来说比其他功能更重要，但我们在此处确定的每个免费开源项目都将提供高质量的实时人脸识别体验。
————————————————
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
原文链接：https://blog.csdn.net/TsingSee/article/details/120533615
