近年來，基于深度學習的人臉識別技術取得了重要進展。但是人臉識別模型的實際部署和深入研究都需要相應的公眾支持。例如生產級人臉表示網絡需要模塊化的訓練機制，以配合不同 SOTA 骨干網絡、訓練監督主題再到現實世界人臉識別需求。至于性能分析和比較，基于多個基準的大量模型也需要一個標準和自動化的評估工具。此外，人們希望能夠出現一種以整體流水線形式部署的人臉識別公共基礎。

最近還出現了一系列新的挑戰，例如疫情期間出現的戴口罩人臉識別需求，這在實際應用中引來了人們的關注。一個可行的解決方式是建立起一套易用的統一框架來解決這些問題。

今年 1 月，來自京東的研究人員面向人臉識別技術開發社區提出了全新的開源框架 FaceX-Zoo。依靠高度模塊化和可擴展的設計，FaceX-Zoo 提供具備多種多種 supervisory head 和骨干網絡的訓練模塊，以實現效果最優的人臉識別。此外，它還具備標準化評估模塊，以便在大多數情況下測試模型效果。

在這個工具中，人們只需改動簡單的配置就可以在大多數流行基準上進行模型測試。此外，它還有一個簡單但功能齊全的人臉 SDK 用于驗證訓練后的模型，并進行初步應用。該工具并不包含大量現有技術，但也因此易于拓展升級。

最近，這一工具已被開源。

GitHub 鏈接：https://github.com/JDAI-CV/FaceX-Zoo

該工具的環境需求如下：

• python >= 3.7.1
• pytorch >= 1.1.0
• torchvision >= 0.3.0

FaceX-Zoo 提供了 MobileFaceNet、ResNet、 SE-ResNet、HRNet、EfficientNet 等較為流行的骨干網絡以方便提取面部特征。如果這還無法滿足你的需要，只要修改配置文件、添加架構定義文件，在 PyTorch 的支持下你就可以輕松自定義任何其他選擇。

京東的開發者們表示，在未來研究人員還計劃進一步增加 FaceX-Zoo 的模塊數量，如面部分析和 face lightning，補充骨干網絡架構和 supervisory head 數量，并嘗試通過分布式數據并行技術和混合精度訓練來提升模型訓練的效率。

相關論文：https://arxiv.org/abs/2101.04407