视网膜检测物体检测器 介绍 RetinaDetector是基于RetinaFace修改过的检测方法的，原论文是一种实用的单级面部检测器，最初在 数据 如下组织数据集目录： data/retinaface/ train/ images/ label.txt val/ images/ label.txt test/ images/ label.txt 安装 安装具有GPU支持的MXNet。 如果使用基于DCN的主干，请从安装 Convolution V2运算符。 键入make来构建cxx工具。 训练 请检查train.py进行培训。 将rcnn/sample_config.py复制到rcnn/config.py 为了获得更好的训练效果，可针对性的修改一些参数，如下： config.TRA

yolov5-face 对齐人脸，yolov5-face 人脸检测，检测5个关键点，并对齐转正。 入库：detect_align.py

面部分析仪 此Android应用程序的目的是使用Microsoft Face API不仅检测图像中的单个面Kong，而且还提供有关每张面Kong的面部属性的信息，例如情绪，估计的年龄，性别等。 此应用程序的可能应用是在游乐园，教室和住宅中。 游乐园除了可以分析乘车前后人们的情绪外，还可以使用该应用根据年龄和其他属性收集有关乘车人群的类型的数据。 此外，该应用程序可在教室中用于分析教给学生的脸部。 然后，教师可以查看有关情绪的数据，以查看学生是否能够理解，享受或不喜欢这堂课。 最后，该应用程序的另一个应用程序是在住宅中，看护人可以定期使用该应用程序确定患者的情绪并将其存储在数据库中，以便以后进行分析。 用法： 该应用程序非常易于使用：第一页包含两个按钮-一个用于拍照，另一个用于处理图片。 因此，该应用需要相机许可。 拍照后，您可以按“处理”按钮，该应用程序将使用AsyncTask和Mi

Models used by the face_recognition package. This package contains only the models used by face_recognition. See face_recognition for more information.

自己编写camera（非调用本地相机）实现camera preview, take picture, save image等功能。按下button后可以检测人脸，并标识出人的眼睛和鼻子。

The Extended Yale Face Database B (mat form)

使用ARCFACE-Pytorch的人脸识别 介绍 此存储库包含face_verify.py和app.py，它们能够执行以下任务- 从图像，视频或网络摄像头中检测脸部并进行脸部识别。 app.py用于部署项目。 所需文件 requirements.txt 预训练模型或 。 自定义数据集 新训练的模型（facebank.pth和names.npy） 用户说明 首先下载项目后，您必须安装以下库。 安装 您可以通过从终端运行以下命令来一次安装所有依赖项。 $ pip install - r requirements . txt 对于使用“ pip”安装割炬，请运行以下命令 $ pip3 install torch == = 1.2 . 0 torchvision == = 0.4 . 0 - f https : // download . pytorch . org /

resnet101_ibn_a.pth.tar，京东开源的face-reid中行人重识别数据集Market1501-resnet101预训练模型。（由于google云盘下载速度偏慢，所以上传到这里） 此处非常感谢京东与模型的分享者。

face_detect 微信小程序使用tensorflow.js完成前端人脸检测业务

ncnn在Android的一个测试，包含了人脸检测(face detection)，人脸属性(face attributes)，人脸识别(face recognition)。车辆检测(Vehicle detection)，车牌检测(plate detection)，车牌识别(plate recognition)；人头检测(head detection)的流程 ncnn_android_face_vehicle ncnn在Android的一个测试,包含了人脸检测(face detection),人脸属性(face attributes),人脸识别(face recognition);车辆检测(Vehicle detection),车牌检测(plate detection),车牌识别(plate recognition);人头检测(head detection)的流程 致谢 NCNN:https://github.com/Tencent/ncnn MobileNetSSD_Demo_AndroidNCNN:https://github.com/chentyjpm/MobileNetS