ORL Dataset 是剑桥大学 AT&T 实验室制作的人脸数据集，其包含从 1992 年 4 月到 1994 年 4 月期间实验室成员的人脸图像。 该数据集的图像分为 40 个不同主题，其中每个主题包含 10 幅图像。

CEW（Closed eyes in the wild）闭眼数据集由南京航空航天大学提供，包含了 2423 个测试者睁眼与闭眼状态的照片，照片的差异化体现于测试者个体的差异以及各种环境的变化，如光照、模糊度、遮挡等因素。该数据集可用作于眼睛检测等任务的研究，具有挑战性

人多个脸数据集，包含从多个人脸数据库上下载的资源，以及一小部分自己整理的bmp类型的人脸图像。可用于人脸检测与定位测试，肤色检测等。

大头人脸数据集.zip

已标注的基于像素的皮肤检测数据集，图片收集自网络名人图，包括32张单人原图和46张多人原图，以及各自对应的皮肤标注掩膜黑白图，即掩膜标签图中白色（255或1）为皮肤、黑色（0）为非皮肤，原图包括不同肤色、不同种族、不同年龄段、不同场景等。 已标注的基于像素的皮肤检测数据集，图片收集自网络名人图，包括32张单人原图和46张多人原图，以及各自对应的皮肤标注掩膜黑白图，即掩膜标签图中白色（255或1）为皮肤、黑色（0）为非皮肤，原图包括不同肤色、不同种族、不同年龄段、不同场景等。 已标注的基于像素的皮肤检测数据集，图片收集自网络名人图，包括32张单人原图和46张多人原图，以及各自对应的皮肤标注掩膜黑白图，即掩膜标签图中白色（255或1）为皮肤、黑色（0）为非皮肤，原图包括不同肤色、不同种族、不同年龄段、不同场景等。 已标注的基于像素的皮肤检测数据集，图片收集自网络名人图，包括32张单人原图和46张多人原图，以及各自对应的皮肤标注掩膜黑白图，即掩膜标签图中白色（255或1）为皮肤、黑色（0）为非皮肤，原图包括不同肤色、不同种族、不同年龄段、不同场景等。

基于YOLOv5的智能人脸数据标注工具。基于YOLOv5的智能人脸数据标注工具，实现人脸数据标注自动化 可自定义人脸检测模型、可导出多种格式标签，包括PASCAL VOC XML、MS COCO JSON、YOLO TXT教程 webcam实时标注 # a键捕获视频帧，q键退出 python face_labeling.py 图片标注（包括批量图片标注） python face_labeling.py -m img # 默认测试图片目录data/imgs python face_labeling.py -m img -imd ./img_dir # 指定图片目录 注：本项目支持的图片输入格式：jpg | jpeg | png | bmp | tif | webp 视频标注（包括批量视频标注） python face_labeling.py -m video # 默认测试视频目录data/videos python face_labeling.py -m video -vd ./video_dir # 指定视频目录 注：本项目支持的视频输入格式：mp4 |

ORL人脸数据集共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建。

Jaffe日本女性人脸表情数据集

这个数据集由500个identity的约共7000张图片组成，这个数据集的特别之处在于对于每个人，它有10张正面图像和4张侧面图像，这对于想要做侧脸识别的同学还是很有帮助的。侧脸识别差的原因可以说是现在的数据集基本基于正脸，而深度学习的特征太依赖于数据集了。现在处理侧脸的方法一般是3D人脸特征点检测或者生成模型，这些方都比较消耗资源，而且暂时没法很好的处理特别侧脸的情况。另一种办法是分开训练对应正脸和侧脸的模型，这一方面也会很消耗计算机资源。在深度特征层的转化可以在不增加过多参数量的情况下实现将侧脸特征映射为正脸的功能，而类似于GAN的转化一般是基于整张图像的，会更加消耗资源，而对特征向量的转化相对来说资源消耗会小的多。用GAN来可视化人脸特征转化后的效果还是蛮不错的。

celeba数据集 官网：http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html