---
title: cv_manual_facical-landmark-confidence_flc
canonical_url: "https://www.modelscope.cn/models/damo/cv_manual_facical-landmark-confidence_flc"
md_url: "https://www.modelscope.cn/models/damo/cv_manual_facical-landmark-confidence_flc.md"
repository: damo/cv_manual_facical-landmark-confidence_flc
chinese_name: "人脸关键点置信度模型FLC"
last_updated: 2022-11-17
license: "MIT License"
library_name:
  - pytorch
frameworks:
  - pytorch
domain:
  - cv
downloads: 90
stars: 0
tags:
  - FairFace
---

# cv_manual_facical-landmark-confidence_flc

> cv_manual_facical-landmark-confidence_flc - damo 在 ModelScope 开源的模型。ArcFace 模型介绍 人脸属性模型FairFace

damo/cv_manual_facical-landmark-confidence_flc 是 ModelScope 魔搭社区上的机器学习模型，采用 MIT License 许可。

- **Repository**: damo/cv_manual_facical-landmark-confidence_flc
- **License**: MIT License
- **Tags**: FairFace
- **Downloads**: 90
- **Stars**: 0
- **Last updated**: 2022-11-17

Source: https://www.modelscope.cn/models/damo/cv_manual_facical-landmark-confidence_flc

---

# ArcFace 模型介绍
人脸属性模型FairFace


## 模型描述

MogFace为当前SOTA的人脸检测方法，已在Wider Face六项榜单上霸榜一年以上，后续被CVPR2022录取([论文地址](https://openaccess.thecvf.com/content/CVPR2022/papers/Liu_MogFace_Towards_a_Deeper_Appreciation_on_Face_Detection_CVPR_2022_paper.pdf)，[代码地址](https://github.com/damo-cv/MogFace))，该方法的主要贡献是从下面三个角度提升人脸检测器：
- Scale-level Data Augmentation (SSE)：SSE是第一个从maximize pyramid layer 表征的角度来控制数据集中gt的尺度分布，而不是intuitive的假想检测器的学习能力，因此会在不同场景下都很鲁棒。
- Adaptive Online Anchor Mining Strategy(Ali-AMS)：减少对超参的依赖， 简单且有效的adpative label assign 方法。
- Hierarchical Context-aware Module (HCAM)： 减少误检是real world人脸检测器面对的最大挑战，HCAM是最近几年第一次在算法侧给出solid solution。


MogFace在WiderFace榜单上的指标如下：


## 模型效果
![模型效果]()

## 模型使用方式和使用范围
本模型可以检测输入图片中人的性别和年龄范围:[0-2, 3-9, 10-19, 20-29, 30-39, 40-49, 50-59, 60-69, 70+]。

### 代码范例
```python
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

mog_face_detection_func = pipeline(Tasks.face_detection, 'damo/cv_resnet101_face-detection_cvpr22papermogface')
src_img_path = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/mog_face_detection.jpg'
raw_result = mog_face_detection_func(src_img_path)
print('face detection output: {}.'.format(raw_result))

# if you want to show the result, you can run
from modelscope.utils.cv.image_utils import draw_face_detection_no_lm_result
from modelscope.preprocessors.image import LoadImage
import cv2
import numpy as np

# load image from url as rgb order
src_img = LoadImage.convert_to_ndarray(src_img_path)
# save src image as bgr order to local
src_img  = cv2.cvtColor(np.asarray(src_img), cv2.COLOR_RGB2BGR)
cv2.imwrite('src_img.jpg', src_img) 
# draw dst image from local src image as bgr order
dst_img = draw_face_detection_no_lm_result('src_img.jpg', raw_result)
# save dst image as bgr order to local
cv2.imwrite('dst_img.jpg', dst_img)
# show dst image by rgb order
import matplotlib.pyplot as plt
dst_img  = cv2.cvtColor(np.asarray(dst_img), cv2.COLOR_BGR2RGB)
plt.imshow(dst_img)
```
### 使用方式
- 推理：输入图片，如存在人脸则返回人的性别以及年龄区间。


### 目标场景
- 人脸相关的基础能力，可应用于视频监控/人像美颜/互动娱乐等场景


### 模型局限性及可能偏差
- 训练数据仅包括FairFace数据集，模型鲁棒性可能有所欠缺。
- 目前只支持单人的属性识别。
- 当前版本在python 3.7环境测试通过，其他环境下可用性待测试

### 预处理
测试时主要的预处理如下：
- Resize：图像resize到224x224
- Normalize：图像归一化，减均值除以标准差


## 来源说明
本模型及代码来自开源社区([地址](https://github.com/dchen236/FairFace))，请遵守相关许可。

## 引用
如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：

```BibTeX
@article{karkkainen2019fairface,
      title={Fairface: Face attribute dataset for balanced race, gender, and age},
        author={K{\"a}rkk{\"a}inen, Kimmo and Joo, Jungseock},
          journal={arXiv preprint arXiv:1908.04913},
            year={2019}
            }
```