---
title: cv_vit_face-recognition
canonical_url: "https://www.modelscope.cn/models/iic/cv_vit_face-recognition"
md_url: "https://www.modelscope.cn/models/iic/cv_vit_face-recognition.md"
repository: iic/cv_vit_face-recognition
chinese_name: "TransFace人脸识别模型"
last_updated: 2023-08-22
license: "MIT License"
pipeline_tag: face-recognition
tasks:
  - face-recognition
library_name:
  - onnx
  - pytorch
frameworks:
  - pytorch
domain:
  - cv
downloads: 111485
stars: 34
tags:
  - ArcFace
  - CVPR2019
  - Insighface
---

# cv_vit_face-recognition

> cv_vit_face-recognition - iic 在 ModelScope 开源的模型。人脸识别模型TransFace

iic/cv_vit_face-recognition 是 ModelScope 魔搭社区上的face-recognition模型，采用 MIT License 许可。

- **Repository**: iic/cv_vit_face-recognition
- **License**: MIT License
- **Tasks**: face-recognition
- **Tags**: ArcFace, CVPR2019, Insighface
- **Downloads**: 111485
- **Stars**: 34
- **Last updated**: 2023-08-22

Source: https://www.modelscope.cn/models/iic/cv_vit_face-recognition

---

# TransFace模型介绍
人脸识别模型TransFace，论文被**ICCV23**录取。本文提出了一种基于ViT的人脸识别新框架。我们并没有为ViT引入任何较大的结构改进，而是从data-centric角度提出了两个学习策略：DPAP和EHSM，这确保了两个策略的通用性和灵活性。一系列在popular face benchmarks上的实验结果表明了我们TransFace模型的优越性。[论文链接](https://arxiv.org/abs/2308.10133)。


## 模型结构
![模型结构](vis.jpg)

## 模型使用方式和使用范围
本模型可以检测输入图片中人脸的特征。

### 代码范例
```python
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
from modelscope.outputs import OutputKeys
import numpy as np

face_mask_recognition_func = pipeline(Tasks.face_recognition, 'damo/cv_vit_face-recognition')
img1 = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/face_recognition_1.png'
img2 = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/face_recognition_2.png'
emb1 = face_mask_recognition_func(img1)[OutputKeys.IMG_EMBEDDING]
emb2 = face_mask_recognition_func(img2)[OutputKeys.IMG_EMBEDDING]
sim = np.dot(emb1[0], emb2[0])
print(f'Face cosine similarity={sim:.3f}, img1:{img1}  img2:{img2}')
```

### 使用方式
- 推理：输入经过对齐的人脸图片(112x112)，返回人脸特征向量(512维)，为便于体验，集成了人脸检测和关键点模型RetinaFace，输入两张图片，各自进行人脸检测选择最大脸并对齐后提取特征，然后返回相似度比分


### 目标场景
- 人脸识别应用广泛，如考勤，通行，人身核验，智慧安防等场景


### 模型局限性及可能偏差
- 由于模型较大，目前仅支持GPU推理。
- 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

### 模型性能指标

| Method | IJBC(1e-5) | IJBC(1e-4) | IJBC(1e-3) |
| ------------ | ------------ | ------------ | ------------ |
| TransFace | 96.18 | 97.45  | 98.17 |

## 来源说明
本模型及代码来自达摩院自研技术。