Inventaire des projets open source de reconnaissance faciale
Les données sont au 31 juillet 2023.
CompreFace
Exadel CompreFace est le premier système de reconnaissance faciale gratuit et open source.
Cette solution n'a été publiée sur github qu'en juillet 2020, et elle semble prometteuse. CompreFace fait partie de notre liste des meilleurs projets de reconnaissance faciale open source, car il s'agit de l'une des rares solutions de reconnaissance faciale API REST auto-hébergées pouvant être lancées avec une seule commande docker-compose. L'API REST permet une intégration facile dans votre système sans compétences préalables en apprentissage automatique. De plus, il est évolutif afin que les visages puissent être reconnus simultanément dans plusieurs flux vidéo.
CompreFace dispose d'une interface utilisateur simple pour gérer les personnages d'utilisateurs et les collections de visages. Il offre le choix entre les deux méthodes de reconnaissance faciale les plus populaires : FaceNet (99,65 % de précision LFW) et InsightFace (99,86 % de précision LFW).
Exadel CompreFace est un projet GitHub de reconnaissance faciale gratuit et open source. Il s'agit essentiellement d'une application basée sur Docker qui peut être utilisée comme serveur autonome ou déployée dans le cloud. Vous n'avez pas besoin de compétences en machine learning pour configurer et utiliser CompreFace.
Le système fournit des API REST pour la reconnaissance des visages, la vérification des visages, la détection des visages, la détection des points de repère, la détection des masques, la détection de la pose de la tête, la reconnaissance de l'âge et du sexe. La solution comprend également un système de gestion des rôles (panneau d'interface utilisateur) qui vous permet de contrôler facilement qui a accès à vos services de reconnaissance faciale.
CompreFace est fourni sous la forme d'une configuration docker-compose qui prend en charge différents modèles fonctionnant sur CPU et GPU. Notre solution est basée sur des méthodes et des bibliothèques de pointe telles que FaceNet (précision LFW à 99,65 %) et InsightFace (précision LFW à 99,86 %).
Github 3.1k étoiles ; il est toujours en cours de développement actif ;
Visage profond
Deepface est un framework Python léger pour la reconnaissance faciale et l'analyse des attributs faciaux (âge, sexe, émotion et race). Il s'agit d'un cadre de reconnaissance faciale hybride contenant des modèles de pointe : VGG-Face, Google FaceNet, OpenFace, Facebook DeepFace, DeepID, ArcFace, Dlib et SFace.
Des expériences ont montré que les humains sont aussi précis que 97,53 % sur les tâches de reconnaissance faciale, et ces modèles ont atteint et dépassé ce niveau de précision.
Pour les développeurs qui ne connaissent pas Python, il est difficile de se lancer.
Github 7k étoiles ; il est toujours en cours de développement actif ;
InsightFace
InsightFace est une autre bibliothèque Python open source qui utilise l'une des méthodes de reconnaissance faciale les plus récentes et les plus précises pour la détection des visages (RetinaFace) et la reconnaissance des visages (SubCenter-ArcFace). La précision de cette solution est très élevée - 99,86 % sur l'ensemble de données LFW. Le seul inconvénient est qu'il n'est pas facile à utiliser.
Github 17k étoiles ; il est toujours en cours de développement actif ;
Reconnaissance de visage
face_recognition est la bibliothèque de reconnaissance faciale la plus concise au monde, vous pouvez utiliser Python et des outils de ligne de commande pour extraire, reconnaître et manipuler des visages. De plus, des instructions d'installation pour toutes les principales plates-formes et même des images docker pour une configuration rapide sont disponibles sur leur github. Malgré sa popularité, le logiciel présente quelques inconvénients. La dernière version date de 2018 et il n'y a pas eu d'améliorations majeures depuis. Il utilise un modèle de reconnaissance faciale plutôt obsolète avec une précision de seulement 99,38 % sur LFW et aucune API REST. La précision de la reconnaissance des enfants et des visages asiatiques doit être améliorée.
Github 48.9k étoiles ; dernière mise à jour en juin 2022 ;
FaceNet
FaceNet est une bibliothèque Python open source populaire. La précision de cette méthode est assez élevée - 99,65 % sur l'ensemble de données LFW, ce qui est bon mais pas le plus élevé. L'inconvénient de cette solution est qu'elle n'a pas d'API REST et que les référentiels ne sont plus pris en charge.
Il s'agit de l'implémentation TensorFlow de la reconnaissance faciale décrite dans l'article "FaceNet.A Unified Embedding for Face Recognition and Clustering" : implémentation TensorFlow de la reconnaissance faciale décrite dans . Le projet utilise également des idées de l'article "Deep Face Recognition" du Visual Geometry Group de l'Université d'Oxford.
Github 13.1k étoiles ; dernière mise à jour en avril 2018 ;
face-api.js
face-api.js API JavaScript pour la détection et la reconnaissance faciale à l'aide de Tensorflow.js dans le navigateur et NodeJS.
Github 15.3k étoiles ; dernière mise à jour en avril 2020 ;
À visage découvert
Reconnaissance faciale à l'aide de réseaux de neurones profonds.
OpenFace est une implémentation Python et Torch de la reconnaissance faciale utilisant des réseaux de neurones profonds, basée sur l'article CVPR 2015 FaceNet: A Unified Embedding for Face Recognition and Clustering par Florian Schroff, Dmitry Kalenichenko et James Philbin de Google. Torch permet d'exécuter des réseaux sur le CPU ou à l'aide de CUDA.
Github 14.7k étoiles ; dernière mise à jour en novembre 2019 ;