---

Dface •

Linux CPU	Linux GPU	Mac OS CPU	Windows CPU

免费开源的人脸检测（face detection）工具。基于多任务级联卷积神经网络（MTCNN）

官方网站(https://dface.tech)

我们还提供完整的人脸识别SDK，包含人脸追踪、检测、识别、活体检测（face anti-spoofing）等功能。详情请见 dface.tech。

Dface 是一款开源的人脸检测与识别软件，所有功能均基于 PyTorch（Facebook 深度学习框架）实现。借助 PyTorch 的反向模式自动微分（reverse-mode auto-differentiation）技术，开发者可任意调整网络行为而无需额外开销。DFace 继承了这些先进特性，使其具备动态灵活性和代码可读性。

DFace 支持 NVIDIA CUDA 的 GPU 加速。我们强烈推荐使用 Linux GPU 版本，其运行速度极快且能实现超实时性能。

我们的灵感源自该领域的多项研究论文及现有成果，例如 《基于多任务级联卷积网络的联合人脸检测与对齐》 和人脸识别方向的 《FaceNet：用于人脸识别与聚类的统一嵌入》。

MTCNN 结构　　

如需为 DFace 贡献代码，请查阅项目中的 CONTRIBUTING.md。我们使用 Slack 跟踪需求与问题，也可加入 QQ 群 681403076 或添加微信 jinkuaikuai005 联系。

待办事项（欢迎贡献）

• 基于中心损失（center loss）或三元组损失（triplet loss）实现人脸比对。推荐使用 ResNet Inception v2 模型。参考 论文 和 FaceNet
• 人脸活体检测（face anti-spoofing），通过人脸光照与纹理特征进行区分。推荐结合局部二值模式（LBP）算法与支持向量机（SVM）
• 3D 面具活体检测
• 优先适配移动端，基于 Caffe2 和 C++
• 迁移到 TensorRT
• 支持 Docker（含 GPU 版本）

安装

DFace 包含检测（detection）与识别（recognition）两大核心模块，我们提供了完整的模型训练与运行教程。首先配置 PyTorch 和 OpenCV (cv2)，建议使用 Anaconda 创建独立的 Python 环境。若需 GPU 训练，请安装 NVIDIA CUDA 和 cuDNN。

环境要求

• CUDA 8.0
• Anaconda
• PyTorch
• torchvision
• OpenCV (cv2)
• matplotlib

git clone https://github.com/kuaikuaikim/dface.git

项目根目录提供 Anaconda 环境依赖列表（Windows 用户使用 environment-win64.yml，Mac 用户使用 environment_osx.yaml）。您可快速创建 DFace 环境：

cd DFace

conda env create -f path/to/environment.yml

将 Dface 添加至本地 Python 路径

export PYTHONPATH=$PYTHONPATH:{your local DFace root path}

人脸检测与识别（Face Detection and Recognition）

如果您想了解如何训练 MTCNN（多任务级联卷积神经网络）模型，可按以下步骤操作。

训练 MTCNN 模型

MTCNN 包含三个网络：PNet、RNet 和 ONet。因此需分三阶段训练，每阶段依赖前一阶段生成的训练数据，并推动两个网络间的最小损失。 训练前请下载人脸 数据集（datasets）。我们使用 WIDER FACE 和 CelebA。WIDER FACE 用于训练人脸分类和边界框检测，CelebA 用于人脸关键点定位。原始 WIDER FACE 标注文件为 MATLAB 格式，需转换为文本格式。转换后的标注文件已存放在 anno_store/wider_origin_anno.txt，该文件与后续参数 --anno_file 相关。

• 创建 DFace 训练数据临时文件夹（对应参数 --dface_traindata_store）

mkdir {your dface traindata folder}

• 生成 PNet 训练数据及标注文件

python dface/prepare_data/gen_Pnet_train_data.py --prefix_path {annotation file image prefix path, just your local wider face images folder} --dface_traindata_store  {dface train data temporary folder you made before }  --anno_file ｛wider face original combined  annotation file, default anno_store/wider_origin_anno.txt}

• 整合标注文件并打乱顺序

python dface/prepare_data/assemble_pnet_imglist.py

• 训练 PNet 模型

python dface/train_net/train_p_net.py

• 生成 RNet 训练数据及标注文件

python dface/prepare_data/gen_Rnet_train_data.py --prefix_path {annotation file image prefix path, just your local wider face images folder} --dface_traindata_store {dface train data temporary folder you made before } --anno_file ｛wider face original combined  annotation file, default anno_store/wider_origin_anno.txt} --pmodel_file {your PNet model file trained before}

• 整合标注文件并打乱顺序

python dface/prepare_data/assemble_rnet_imglist.py

• 训练 RNet 模型

python dface/train_net/train_r_net.py

• 生成 ONet 训练数据及标注文件

python dface/prepare_data/gen_Onet_train_data.py --prefix_path {annotation file image prefix path, just your local wider face images folder} --dface_traindata_store {dface train data temporary folder you made before } --anno_file ｛wider face original combined  annotation file, default anno_store/wider_origin_anno.txt} --pmodel_file {your PNet model file trained before} --rmodel_file {your RNet model file trained before}

• 生成 ONet 训练关键点数据

python dface/prepare_data/gen_landmark_48.py

• 整合标注文件并打乱顺序

python dface/prepare_data/assemble_onet_imglist.py

• 训练 ONet 模型

python dface/train_net/train_o_net.py

测试人脸检测

如无需训练，model_store 文件夹已提供 onet_epoch.pt、pnet_epoch.pt、rnet_epoch.pt 模型文件，可直接运行 test_image.py

python test_image.py

演示

QQ 交流群

681403076

本人微信(wechat)

cobbestne

许可证

Apache License 2.0

参考文献

• OpenFace

dface 快速上手指南

环境准备

• 系统要求：支持 Linux (CPU/GPU)、Mac OS (CPU)、Windows (CPU)
• 前置依赖：
  • CUDA 8.0（仅 GPU 版本需要）
  • Anaconda（推荐使用国内镜像加速安装：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/）
  • PyTorch
  • torchvision
  • OpenCV (cv2)
  • matplotlib

安装步骤

1. 克隆仓库：

   git clone https://github.com/kuaikuaikim/dface.git
   cd dface
   

2. 创建 Conda 环境（根据系统选择对应文件）：

   • Linux/Mac：

     conda env create -f environment.yml
     

   • Windows：

     conda env create -f environment-win64.yml
     

   • Mac OS：

     conda env create -f environment_osx.yaml
     

3. 激活环境并设置路径：

   conda activate dface  # 环境名根据实际创建情况调整
   export PYTHONPATH=$PYTHONPATH:$(pwd)
   

基本使用

使用预训练模型快速测试人脸检测（无需训练）：

python test_image.py

该命令将自动加载 model_store 目录中的预训练模型（pnet_epoch.pt、rnet_epoch.pt、onet_epoch.pt），处理示例图像并显示检测结果。运行后将在控制台输出人脸检测框和关键点坐标。