[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-becauseofAI--MobileFace":3,"tool-becauseofAI--MobileFace":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":73,"owner_location":73,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":76,"languages":77,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":90,"env_deps":92,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":157},9062,"becauseofAI\u002FMobileFace","MobileFace","A face recognition solution on mobile device.","MobileFace 是一套专为移动设备打造的高效人脸识别解决方案，旨在让手机等边缘设备也能轻松实现实时、精准的人脸分析。它解决了传统人脸算法在移动端运行时速度慢、模型体积大、耗电高等痛点，提供从人脸检测、关键点定位、姿态估计、对齐、属性分析到身份识别与跟踪的全流程支持。\n\n无论是开发者希望快速集成人脸功能到 App 中，还是研究人员需要轻量级模型进行实验验证，MobileFace 都能提供开箱即用的模型与示例代码。其基于 MXNet 和 GluonCV 构建，部分模块兼容 DLib，部署简单，性能出色。例如，最新版的身份识别模型仅需 2.1MB 大小，在 CPU 上推理耗时仅 3 毫秒，同时保持较高的基准准确率；人脸检测模型可实现每秒 50 帧的实时处理速度。\n\n此外，MobileFace 还包含人脸美化与图像增强等实用功能，并支持可视化分析（如 t-SNE 嵌入展示），便于理解模型行为。整体设计注重效率与实用性，特别适合资源受限场景下的高性能人脸应用开发。","# \u003Cp align=\"center\">:boom:**Big Bang**:boom:\u003C\u002Fp>\r\n\r\n#### \u003Cp align=\"center\">**Receptive Field Is Natural Anchor**\u003C\u002Fp>\r\n#### \u003Cp align=\"center\">**Receptive Field Is All You Need**\u003C\u002Fp>\r\n\u003Cp align=\"center\">2K real-time detection is so easy!\u003C\u002Fp>\r\n\r\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_d8b4e880ba80.gif\"\u002F>\u003C\u002Fdiv>  \r\n\r\n#### \u003Cp align=\"center\">[[Paper]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.10633) [[MXNet]](https:\u002F\u002Fgithub.com\u002FYonghaoHe\u002FA-Light-and-Fast-Face-Detector-for-Edge-Devices) [[PyTorch]](https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002Flffd-pytorch)\u003C\u002Fp>\r\n\r\n---\r\n\r\n# \u003Cp align=\"center\">**MobileFace**\u003C\u002Fp>\r\n\r\n\u003Cp align=\"center\">A face recognition solution on mobile device.\u003C\u002Fp>\r\n\r\n![MobileFaceV1](.\u002Fexample\u002Fresult_allinone_v1.jpg \"MobileFace_V1_Result\") \r\n\r\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_9c4a6a479e69.gif\"\u002F>\u003C\u002Fdiv>\r\n\r\n## Prerequirements\r\n- Anaconda (optional but recommend)\r\n- MXNet and GluonCV ([the easiest way to install](https:\u002F\u002Fgluon-cv.mxnet.io\u002Findex.html#installation \"Install MXNet and GluonCV\"))\r\n- DLib (may be deprecated in the future)  \r\nThe easiest way to install DLib is through pip.\r\n```shell\r\npip install dlib\r\n```\r\n\r\n## Performance\r\n### Identification\r\n| Model | Framework | Size | CPU | LFW | Target |\r\n| :---: |  :---: | :---: | :---: | :---: | :---: |\r\n| MobileFace_Identification_V1 | MXNet | 3.40M | 8.5ms | - | Actual Scene |\r\n| MobileFace_Identification_V2 | MXNet | 3.41M | 9ms | 99.653% | Benchmark |\r\n| :star2:MobileFace_Identification_V3 | MXNet | 2.10M | :boom:3ms(sota) | 95.466%(baseline) | Benchmark |\r\n\r\n### Detection\r\n| Model | Framework | Size | CPU |\r\n| :---: |  :---: | :---: | :---: |\r\n| MobileFace_Detection_V1 | MXNet\u002FGluonCV | 30M | 20ms\u002F50fps |\r\n\r\n### Landmark\r\n| Model | Framework | Size | CPU |\r\n| :---: |  :---: | :---: | :---: |\r\n| MobileFace_Landmark_V1 | DLib | 5.7M | \u003C1ms |\r\n\r\n### Pose\r\n| Model | Framework | Size | CPU |\r\n| :---: |  :---: | :---: | :---: |\r\n| MobileFace_Pose_V1 | free | \u003C1K | \u003C0.1ms |\r\n\r\n### Align\r\n| Model | Framework | Size | CPU |\r\n| :---: |  :---: | :---: | :---: |\r\n| MobileFace_Align_V1 | free | \u003C1K | \u003C0.1ms |\r\n\r\n### Attribute\r\n| Model | Framework | Size | CPU |\r\n| :---: |  :---: | :---: | :---: |\r\n| MobileFace_Attribute_V1 | MXNet\u002FGluonCV | 16.4M | 14ms\u002F71fps |\r\n\r\n### Tracking\r\n| Model | Framework | Size | CPU |\r\n| :---: |  :---: | :---: | :---: |\r\n| MobileFace_Tracking_V1 | free | - | \u003C2ms |\r\n\r\n## Example\r\nTo get fast face feature embedding with MXNet as follow:\r\n```shell\r\ncd example\r\npython get_face_feature_v1_mxnet.py # v1, v2, v3\r\n```\r\n\r\nTo get fast face detection result with MXNet\u002FGluonCV as follow:\r\n```shell\r\ncd example\r\npython get_face_boxes_gluoncv.py\r\n```\r\n\r\nTo get fast face landmarks result with dlib as follow:\r\n```shell\r\ncd example\r\npython get_face_landmark_dlib.py\r\n```\r\n\r\nTo get fast face pose result as follow:\r\n```shell\r\ncd example\r\npython get_face_pose.py\r\n```\r\n\r\nTo get fast face align result as follow:\r\n```shell\r\ncd example\r\npython get_face_align.py\r\n```\r\n\r\nTo get fast face attribute results as follow:\r\n```shell\r\ncd example\r\npython get_face_attribute_gluoncv.py\r\n```\r\n\r\nTo get mobileface all results as follow:\r\n```shell\r\ncd example\r\npython mobileface_allinone.py\r\n```\r\n\r\nTo get mobileface fast tracking result as follow:\r\n```shell\r\ncd example\r\npython get_face_tracking_v1.py\r\n```\r\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_1ac4378a0b22.gif\"\u002F>\u003C\u002Fdiv>  \r\n\r\nTo get mobileface makeup result as follow:\r\n```shell\r\ncd example\r\npython get_face_makeup_v1.py\r\n```\r\n![MobileFaceMakeupV1](.\u002Fexample\u002Fmakeup_result\u002Fgirl_comparison.jpg \"MobileFaceMakeup_V1_Result\") \r\n\r\nTo get mobileface enhancement result as follow:\r\n```shell\r\ncd example\r\npython get_face_enhancement_v1.py\r\n```\r\n![MobileFaceEnhanceV1](.\u002Fexample\u002Flight_result\u002Flight_comparison.png \"MobileFaceEnhance_V1_Result\") \r\n\r\n## Visualization\r\n### t-SNE\r\nI used the t-SNE algorithm to visualize in two dimensions the 256-dimensional embedding space. Every color corresponds to a different person(but colors are reused): as you can see, the MobileFace has learned to group those pictures quite tightly. (the distances between clusters are meaningless when using the t-SNE algorithm)  \r\n![t-SNE](.\u002Ftool\u002FtSNE\u002FtSNE_LFW-100Pair_MobileFace_V1.png \"LFW-Aligned-100Pair MobileFace_V1\")  \r\nTo get the t-SNE feature visualization above as follow:\r\n```shell\r\ncd tool\u002FtSNE\r\npython face2feature.py # get features and lables and save them to txt\r\npython tSNE_feature_visualization.py # load the txt to visualize face feature in 2D with tSNE\r\n```\r\n### ConfusionMatrix\r\nI used the ConfusionMatrix to visualize the 256-dimensional feature similarity heatmap of the LFW-Aligned-100Pair: as you can see, the MobileFace has learned to get higher similarity when calculating the same person's different two face photos. Although the performance of the V1 version is not particularly stunning on LFW Dataset, it does not mean that it does not apply to the actual scene.  \r\n![t-SNE](.\u002Ftool\u002FConfusionMatrix\u002FConfusionMatrix_LFW-100Pair_MobileFace_V1.png \"LFW-Aligned-100Pair MobileFace_V1\")  \r\nTo get the ConfusionMatrix feature similarity heatmap visualization above as follow:\r\n```shell\r\ncd tool\u002FConfusionMatrix\r\npython ConfusionMatrix_similarity_visualization.py\r\n```\r\n## Tool\r\n### Time\r\nTo get inference time of different version's MXNet models as follow:\r\n```shell\r\ncd tool\u002Ftime\r\npython inference_time_evaluation_mxnet.py --symbol_version=V3 # default = V1\r\n```\r\n### Model_Prune\r\nPrune the MXNet model through deleting the needless layers (such as classify layer and loss layer) and only retaining features layers to decrease the model size for inference as follow:\r\n```shell\r\ncd tool\u002Fprune\r\npython model_prune_mxnet.py\r\n```\r\n### MXNet2Caffe\r\n### Merge_bn\r\n\r\n## Benchmark\r\n### LFW\r\nThe LFW test dataset (aligned by [MTCNN](https:\u002F\u002Fkpzhang93.github.io\u002FMTCNN_face_detection_alignment\u002Findex.html) and cropped to 112x112) can be download from [Dropbox](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fwpx6tqjf0y5mf6r\u002Ffaces_ms1m-refine-v2_112x112.zip?dl=0) or [BaiduDrive](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1S6LJZGdqcZRle1vlcMzHOQ), and then put it (named lfw.bin) in the directory of ```data\u002FLFW-bin```.  \r\nTo get the LFW comparison result and plot the ROC curves as follow:\r\n```shell\r\ncd benchmark\u002FLFW\r\npython lfw_comparison_and_plot_roc.py\r\n```\r\n![LFW ROC](.\u002Fbenchmark\u002FLFW\u002FLFW_ROC_MobileFace_Identification_V2.png \"LFW_ROC_MobileFace_Identification_V2\") \r\n### MegaFace\r\n\r\n## TODO\r\n- [x] MobileFace_Identification\r\n- [x] MobileFace_Detection\r\n- [x] MobileFace_Landmark\r\n- [x] MobileFace_Align\r\n- [x] MobileFace_Attribute\r\n- [x] MobileFace_Pose\r\n- [x] MobileFace_Tracking\r\n- [x] MobileFace_Makeup\r\n- [x] MobileFace_Enhancement\r\n- [ ] MobileFace_FacePortrait\r\n- [ ] MobileFace_FaceSwap\r\n- [ ] MobileFace_MakeupSwap\r\n- [ ] MobileFace_NCNN\r\n- [ ] MobileFace_FeatherCNN\r\n- [x] Benchmark_LFW\r\n- [ ] Benchmark_MegaFace\r\n\r\n## Others\r\nComing Soon!\r\n#### FacePortrait\r\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_e7080d28218f.png\"\u002F>\u003C\u002Fdiv>\r\n\r\n#### MakeupSwap\r\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_c9b8ca698ec2.jpg\"\u002F>\u003C\u002Fdiv>\r\n\r\n#### FaceSwap\r\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_12b5f0c50715.gif\"\u002F>\u003C\u002Fdiv>\r\n\r\n## Reference\r\n- [**t-SNE**](http:\u002F\u002Flvdmaaten.github.io\u002Ftsne\u002F \"t-SNE\")\r\n- [**InsightFace**](https:\u002F\u002Fgithub.com\u002Fdeepinsight\u002Finsightface \"InsightFace\")\r\n- [**SORT**](https:\u002F\u002Fgithub.com\u002Fabewley\u002Fsort \"sort\")\r\n","# \u003Cp align=\"center\">:boom:**大爆炸**:boom:\u003C\u002Fp>\n\n#### \u003Cp align=\"center\">**感受野是天然锚点**\u003C\u002Fp>\n#### \u003Cp align=\"center\">**感受野就是全部所需**\u003C\u002Fp>\n\u003Cp align=\"center\">2K分辨率下的实时检测竟然如此简单！\u003C\u002Fp>\n\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_d8b4e880ba80.gif\"\u002F>\u003C\u002Fdiv>  \n\n#### \u003Cp align=\"center\">[[论文]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.10633) [[MXNet]](https:\u002F\u002Fgithub.com\u002FYonghaoHe\u002FA-Light-and-Fast-Face-Detector-for-Edge-Devices) [[PyTorch]](https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002Flffd-pytorch)\u003C\u002Fp>\n\n---\n\n# \u003Cp align=\"center\">**MobileFace**\u003C\u002Fp>\n\n\u003Cp align=\"center\">一款移动端的人脸识别解决方案。\u003C\u002Fp>\n\n![MobileFaceV1](.\u002Fexample\u002Fresult_allinone_v1.jpg \"MobileFace_V1_结果\") \n\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_9c4a6a479e69.gif\"\u002F>\u003C\u002Fdiv>\n\n## 前置条件\n- Anaconda（可选但推荐）\n- MXNet和GluonCV（[最简单的安装方式](https:\u002F\u002Fgluon-cv.mxnet.io\u002Findex.html#installation \"安装MXNet和GluonCV\")）\n- DLib（未来可能会被弃用）  \n安装DLib最简单的方式是通过pip。\n```shell\npip install dlib\n```\n\n## 性能\n### 识别\n| 模型 | 框架 | 大小 | CPU | LFW | 目标 |\n| :---: |  :---: | :---: | :---: | :---: | :---: |\n| MobileFace_Identification_V1 | MXNet | 3.40M | 8.5ms | - | 实际场景 |\n| MobileFace_Identification_V2 | MXNet | 3.41M | 9ms | 99.653% | 基准测试 |\n| :star2:MobileFace_Identification_V3 | MXNet | 2.10M | :boom:3ms(sota) | 95.466%(基准) | 基准测试 |\n\n### 检测\n| 模型 | 框架 | 大小 | CPU |\n| :---: |  :---: | :---: | :---: |\n| MobileFace_Detection_V1 | MXNet\u002FGluonCV | 30M | 20ms\u002F50fps |\n\n### 特征点\n| 模型 | 框架 | 大小 | CPU |\n| :---: |  :---: | :---: | :---: |\n| MobileFace_Landmark_V1 | DLib | 5.7M | \u003C1ms |\n\n### 姿态\n| 模型 | 框架 | 大小 | CPU |\n| :---: |  :---: | :---: | :---: |\n| MobileFace_Pose_V1 | 免费 | \u003C1K | \u003C0.1ms |\n\n### 对齐\n| 模型 | 框架 | 大小 | CPU |\n| :---: |  :---: | :---: | :---: |\n| MobileFace_Align_V1 | 免费 | \u003C1K | \u003C0.1ms |\n\n### 属性\n| 模型 | 框架 | 大小 | CPU |\n| :---: |  :---: | :---: | :---: |\n| MobileFace_Attribute_V1 | MXNet\u002FGluonCV | 16.4M | 14ms\u002F71fps |\n\n### 跟踪\n| 模型 | 框架 | 大小 | CPU |\n| :---: |  :---: | :---: | :---: |\n| MobileFace_Tracking_V1 | 免费 | - | \u003C2ms |\n\n## 示例\n使用MXNet快速获取人脸特征嵌入：\n```shell\ncd example\npython get_face_feature_v1_mxnet.py # v1, v2, v3\n```\n\n使用MXNet\u002FGluonCV快速获取人脸检测结果：\n```shell\ncd example\npython get_face_boxes_gluoncv.py\n```\n\n使用dlib快速获取人脸特征点结果：\n```shell\ncd example\npython get_face_landmark_dlib.py\n```\n\n快速获取人脸姿态结果：\n```shell\ncd example\npython get_face_pose.py\n```\n\n快速获取人脸对齐结果：\n```shell\ncd example\npython get_face_align.py\n```\n\n快速获取人脸属性结果：\n```shell\ncd example\npython get_face_attribute_gluoncv.py\n```\n\n获取MobileFace所有结果：\n```shell\ncd example\npython mobileface_allinone.py\n```\n\n获取MobileFace快速跟踪结果：\n```shell\ncd example\npython get_face_tracking_v1.py\n```\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_1ac4378a0b22.gif\"\u002F>\u003C\u002Fdiv>  \n\n获取MobileFace化妆效果：\n```shell\ncd example\npython get_face_makeup_v1.py\n```\n![MobileFaceMakeupV1](.\u002Fexample\u002Fmakeup_result\u002Fgirl_comparison.jpg \"MobileFaceMakeup_V1_结果\") \n\n获取MobileFace增强效果：\n```shell\ncd example\npython get_face_enhancement_v1.py\n```\n![MobileFaceEnhanceV1](.\u002Fexample\u002Flight_result\u002Flight_comparison.png \"MobileFaceEnhance_V1_结果\") \n\n## 可视化\n### t-SNE\n我使用t-SNE算法将256维的特征空间在二维平面上可视化。每种颜色代表不同的人（但颜色会重复使用）：可以看到，MobileFace已经学会将这些图片紧密地聚类在一起。（使用t-SNE算法时，簇之间的距离并无实际意义）  \n![t-SNE](.\u002Ftool\u002FtSNE\u002FtSNE_LFW-100Pair_MobileFace_V1.png \"LFW-Aligned-100Pair MobileFace_V1\")  \n要获得上述t-SNE特征可视化效果，请按以下步骤操作：\n```shell\ncd tool\u002FtSNE\npython face2feature.py # 获取特征和标签并保存到txt文件\npython tSNE_feature_visualization.py # 加载txt文件，使用t-SNE在2D平面上可视化人脸特征\n```\n\n### ConfusionMatrix\n我使用ConfusionMatrix来可视化LFW-Aligned-100Pair的256维特征相似度热图：可以看出，MobileFace已经学会了在计算同一个人的不同两张人脸照片时，得到更高的相似度。尽管V1版本在LFW数据集上的表现并不特别出色，但这并不意味着它不能应用于实际场景。  \n![t-SNE](.\u002Ftool\u002FConfusionMatrix\u002FConfusionMatrix_LFW-100Pair_MobileFace_V1.png \"LFW-Aligned-100Pair MobileFace_V1\")  \n要获得上述ConfusionMatrix特征相似度热图可视化效果，请按以下步骤操作：\n```shell\ncd tool\u002FConfusionMatrix\npython ConfusionMatrix_similarity_visualization.py\n```\n\n## 工具\n### 时间\n要获取不同版本MXNet模型的推理时间，请按以下步骤操作：\n```shell\ncd tool\u002Ftime\npython inference_time_evaluation_mxnet.py --symbol_version=V3 # 默认为V1\n```\n\n### 模型剪枝\n通过删除不必要的层（如分类层和损失层），仅保留特征层来减小模型大小以进行推理：\n```shell\ncd tool\u002Fprune\npython model_prune_mxnet.py\n```\n\n### MXNet2Caffe\n### 合并bn\n\n## 基准测试\n### LFW\nLFW测试数据集（由[MTCNN](https:\u002F\u002Fkpzhang93.github.io\u002FMTCNN_face_detection_alignment\u002Findex.html)对齐并裁剪为112x112）可以从[Dropbox](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fwpx6tqjf0y5mf6r\u002Ffaces_ms1m-refine-v2_112x112.zip?dl=0)或[百度网盘](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1S6LJZGdqcZRle1vlcMzHOQ)下载，然后将其命名为lfw.bin并放入```data\u002FLFW-bin```目录中。  \n要获得LFW对比结果并绘制ROC曲线，请按以下步骤操作：\n```shell\ncd benchmark\u002FLFW\npython lfw_comparison_and_plot_roc.py\n```\n![LFW ROC](.\u002Fbenchmark\u002FLFW\u002FLFW_ROC_MobileFace_Identification_V2.png \"LFW_ROC_MobileFace_Identification_V2\") \n### MegaFace\n\n## 待办事项\n- [x] MobileFace_Identification\n- [x] MobileFace_Detection\n- [x] MobileFace_Landmark\n- [x] MobileFace_Align\n- [x] MobileFace_Attribute\n- [x] MobileFace_Pose\n- [x] MobileFace_Tracking\n- [x] MobileFace_Makeup\n- [x] MobileFace_Enhancement\n- [ ] MobileFace_FacePortrait\n- [ ] MobileFace_FaceSwap\n- [ ] MobileFace_MakeupSwap\n- [ ] MobileFace_NCNN\n- [ ] MobileFace_FeatherCNN\n- [x] Benchmark_LFW\n- [ ] Benchmark_MegaFace\n\n## 其他\n即将推出！\n#### 人脸肖像\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_e7080d28218f.png\"\u002F>\u003C\u002Fdiv>\n\n#### 化妆换脸\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_c9b8ca698ec2.jpg\"\u002F>\u003C\u002Fdiv>\n\n#### 人脸交换\n\u003Cdiv align=\"center\">\u003Cimg width=\"1280\" height=\"auto\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_readme_12b5f0c50715.gif\"\u002F>\u003C\u002Fdiv>\n\n## 参考资料\n- [**t-SNE**](http:\u002F\u002Flvdmaaten.github.io\u002Ftsne\u002F \"t-SNE\")\n- [**InsightFace**](https:\u002F\u002Fgithub.com\u002Fdeepinsight\u002Finsightface \"InsightFace\")\n- [**SORT**](https:\u002F\u002Fgithub.com\u002Fabewley\u002Fsort \"sort\")","# MobileFace 快速上手指南\n\nMobileFace 是一套专为移动设备设计的高效人脸识别解决方案，涵盖人脸检测、识别、关键点定位、姿态估计、属性分析及追踪等功能。基于 MXNet\u002FGluonCV 框架，具有轻量级、推理速度快的特点。\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux \u002F macOS \u002F Windows\n- Python 版本：推荐 Python 3.6+\n- 硬件：支持 CPU 推理（部分模型在 GPU 上表现更佳）\n\n### 前置依赖\n建议安装 **Anaconda** 以管理虚拟环境（可选但推荐）。\n\n核心依赖库：\n1. **MXNet** 和 **GluonCV**：用于模型推理。\n2. **DLib**：用于人脸关键点检测（未来可能弃用，目前仍需安装）。\n\n> **国内加速提示**：安装 Python 包时建议使用清华或阿里镜像源以提升下载速度。\n> 例如：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n### 1. 安装 MXNet 和 GluonCV\n推荐使用官方提供的最简便安装方式，或根据国内网络情况使用 pip 安装：\n\n```shell\npip install mxnet gluoncv\n# 若需 GPU 版本，请替换为 mxnet-cu102 (根据你的 CUDA 版本调整)\n# pip install mxnet-cu102 gluoncv\n```\n\n*注：详细安装指南可参考 [GluonCV 官方文档](https:\u002F\u002Fgluon-cv.mxnet.io\u002Findex.html#installation)*\n\n### 2. 安装 DLib\n通过 pip 直接安装：\n\n```shell\npip install dlib\n```\n*(若编译失败，请确保系统已安装 C++ 编译器及 CMake)*\n\n### 3. 获取代码\n克隆项目仓库（假设项目名为 MobileFace）：\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace.git\ncd MobileFace\n```\n\n## 基本使用\n\n以下示例展示了如何快速运行核心功能。所有脚本均位于 `example` 目录下。\n\n### 1. 人脸特征提取 (Identification)\n提取人脸特征向量（支持 V1\u002FV2\u002FV3 版本）：\n```shell\ncd example\npython get_face_feature_v1_mxnet.py\n```\n\n### 2. 人脸检测 (Detection)\n获取人脸检测框结果：\n```shell\ncd example\npython get_face_boxes_gluoncv.py\n```\n\n### 3. 人脸关键点定位 (Landmark)\n获取人脸 5 点或更多关键点坐标：\n```shell\ncd example\npython get_face_landmark_dlib.py\n```\n\n### 4. 全能模式 (All-in-One)\n一次性运行检测、对齐、识别等全套流程：\n```shell\ncd example\npython mobileface_allinone.py\n```\n\n### 5. 其他高级功能\n- **人脸追踪**: `python get_face_tracking_v1.py`\n- **人脸美妆**: `python get_face_makeup_v1.py`\n- **图像增强**: `python get_face_enhancement_v1.py`\n- **姿态估计**: `python get_face_pose.py`\n\n运行完成后，结果图片或数据将保存在对应的输出目录中。","某智慧社区安保团队需要在老旧小区的入口闸机上部署实时人脸识别系统，但受限于仅配备普通 CPU 的廉价安卓终端，且需应对早晚高峰的人流压力。\n\n### 没有 MobileFace 时\n- **识别延迟严重**：传统模型在低端设备上推理耗时超过 200ms，导致居民在闸机前频繁停顿等待，造成出入口拥堵。\n- **功能集成困难**：检测、关键点定位、姿态估计和属性分析需要分别调用多个重型库，内存占用极易超出设备限制导致应用崩溃。\n- **弱光环境失效**：夜间或光线不足的楼道口，现有方案无法有效增强图像，导致人脸捕获率大幅下降，漏识频发。\n- **开发维护成本高**：不同模块间的数据格式不统一，工程师需花费大量时间编写代码进行对齐和转换，迭代周期漫长。\n\n### 使用 MobileFace 后\n- **毫秒级极速响应**：借助 MobileFace_Identification_V3 模型，单次识别仅需 3ms，即便在人流高峰期也能实现“无感通行”，彻底消除排队现象。\n- **一站式轻量部署**：MobileFace 将检测、 landmark、姿态及属性分析整合为统一流水线，总模型体积极小，完美运行于低配移动端而不占过多内存。\n- **全天候稳定作业**：利用内置的图像增强（Enhancement）与属性分析能力，系统在夜间低照度环境下仍能精准提取特征，显著提升捕获成功率。\n- **开发效率倍增**：通过简单的 Python 脚本即可一键调用所有功能模块，自动完成人脸对齐与特征嵌入，让团队能专注于业务逻辑而非底层适配。\n\nMobileFace 以极致的轻量化和全链路整合能力，让低成本移动设备也能拥有服务器级的实时人脸识别体验。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbecauseofAI_MobileFace_f666ad85.png","becauseofAI",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FbecauseofAI_64dc084a.jpg","helloai777@gmail.com","https:\u002F\u002Fgithub.com\u002FbecauseofAI",[78,82],{"name":79,"color":80,"percentage":81},"Python","#3572A5",100,{"name":83,"color":84,"percentage":85},"Shell","#89e051",0,751,206,"2026-04-13T09:20:04","MIT","未说明","非必需。项目主要面向移动端和边缘设备，性能指标基于 CPU 测试（如 3ms\u002F20ms）。虽然示例图片包含 GPU 结果，但核心依赖 MXNet 支持 CPU 推理。",{"notes":93,"python":94,"dependencies":95},"1. 推荐使用 Anaconda 管理环境。\n2. 核心框架为 MXNet 和 GluonCV，部分功能（如关键点检测）依赖 DLib（可通过 pip 安装）。\n3. 该项目专为移动设备设计，模型体积小（识别模型仅 2.10M-3.41M），对硬件要求极低，可在普通 CPU 上实时运行。\n4. README 中提到 DLib 未来可能被弃用。","未说明 (需支持 pip 安装 dlib 及 MXNet)",[96,97,98,99],"MXNet","GluonCV","DLib","Anaconda (推荐)",[15,14],[102,103,104,105,106,107,108,109,110,111,112,113],"face","mobilenet","machine-learning","deep-learning","artificial-intelligence","face-recognition","face-detection","face-attribute","face-landmark","face-pose","face-generation","face-makeup","2026-03-27T02:49:30.150509","2026-04-18T22:35:17.602524",[117,122,127,132,137,142,147,152],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},40652,"如何正确使用提取的人脸特征进行相似度比对？为什么准确率很低？","MobileFace 的不同版本在速度和准确率之间有不同的权衡：V1 适合证件照场景，V2 在 LFW、AgeDB_30 和 CFP_FP 数据集上具有合理的准确率，而 V3 是极端的尝试。如果您发现准确率较低（例如低于 60%），可能是因为模型版本选择不当或数据集场景不匹配。相比之下，InsightFace 准确率可达 99% 但推理时间较长。建议根据实际应用场景选择合适的模型版本，并确保使用对齐后的人脸图像进行测试。","https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace\u002Fissues\u002F14",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},40653,"特征提取时应该使用多大尺寸的人脸图像（100x100 还是 112x112）？","该项目示例代码中使用的是 (100, 100) 的尺寸。之前存在相关 Bug 已修复。如果您在使用 V2 版本进行特征提取时遇到参数加载错误，建议先测试作者提供的已对齐人脸数据（位于 data\u002FLFW-Aligned-100Pair 目录），以确认环境配置是否正确。","https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace\u002Fissues\u002F8",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},40654,"项目是否会开源训练代码？","目前各模块的训练代码比较杂乱，尚未统一，因此暂时无法开源。维护者表示未来整理完成后会考虑开放源代码。当前仓库主要提供基础算法和推理代码。","https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace\u002Fissues\u002F10",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},40655,"使用 V2 或 V3 模型提取特征时报错 'Shape of unspecifie arg: conv1_weight changed' 如何解决？","该错误通常是因为输入数据的通道数设置不正确。请检查代码中 model.bind 的数据形状设置，将通道数从 1 改为 3。具体修改为：将 data_shapes=[('data', (self.batch_size, 1, 100, 100))] 修改为 data_shapes=[('data', (self.batch_size, 3, 100, 100))]。这是因为人脸图像通常是 3 通道（RGB），而非单通道。","https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace\u002Fissues\u002F12",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},40656,"人脸姿态（Face Pose）预测效果不佳怎么办？","人脸姿态预测依赖于人脸关键点（Landmarks）的预测结果。该项目的姿态模型和关键点模型主要设计目标是高速度，并未采用深度学习方法，因此在复杂场景下精度可能有限。建议检查光照、遮挡等影响因素，或者如果对精度要求较高，需考虑更换其他基于深度学习的关键点检测模型。","https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace\u002Fissues\u002F20",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},40657,"代码中 cv2.calcHist 函数传入 img_gray 时是否缺少中括号？这是 Bug 吗？","这不是 Bug。虽然标准用法通常是 cv2.calcHist([img_gray], ...)，但在该项目的增强算法中，直接传入 img_gray（不加中括号）的效果相似甚至更好。用户可以自由尝试两种写法，并根据实际图像处理效果选择合适的方式。","https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace\u002Fissues\u002F15",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},40658,"是否支持将模型转换为 Caffe2 或有 Android Demo？README 中的 CPU 性能是指手机吗？","1. 目前计划是直接转换 mxnet2caffe，不支持 mxnet2caffe2 或通过 ONNX 中转，但用户可以自行尝试。\n2. 当前仓库主要提供基础算法，暂无 Android Demo，未来有时间可能会提供。\n3. README 中提到的 CPU 性能测试是在 Intel CPU 上进行的，而非手机处理器。","https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace\u002Fissues\u002F6",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},40659,"将模型转换为 NCNN 后，不同人脸提取的特征值几乎一样，是什么原因？","这是一个已知的 Bug，维护者已经修复。如果您在转换后遇到特征值无差异的问题，请先运行原始的 MXNet 源代码进行测试，以排查是否是转换过程导致的问题，并确保使用最新修复后的代码或模型文件。","https:\u002F\u002Fgithub.com\u002FbecauseofAI\u002FMobileFace\u002Fissues\u002F4",[]]