近年来，基于深度学习的人脸识别技术取得重要进展。然而，人脸识别模型的实际部署和深入研究需要相应的公众支持。例如，生产级人脸表示网络需要模块化的训练机制来匹配不同的SOTA骨干网络、训练监督主题和现实世界的人脸识别需求。至于性能分析和比较，大量基于多个基准的模型也需要一个标准的和自动化的评估工具。此外，希望出现以整体管道形式部署的人脸识别的共同基础。近期也出现了一系列新的挑战，比如疫情期间需要戴口罩进行人脸识别，在实际应用中引起了人们的关注。一个可行的解决方案是建立一个易于使用的统一框架来解决这些问题。今年1月，京东研究人员为人脸识别技术开发社区提出了全新的开源框架FaceX-Zoo。FaceX-Zoo依托高度模块化和可扩展性的设计，提供训练模块与多种监管头和骨干网络，以实现最佳的人脸识别。此外，它还有一个标准化的评估模块来测试模型在大多数情况下的性能。在此工具中，可以通过简单的配置更改在最流行的基准测试中测试模型。此外，它还有一个简单但功能齐全的人脸SDK，用于验证训练模型和初始应用。该工具不包含大量现有技术，但也易于扩展和升级。最近，这个工具已经开源。GitHub链接：https://github.com/JDAI-CV/FaceX-Zoo本工具环境要求如下：python>=3.7.1pytorch>=1.1.0torchvision>=0.3.0FaceX-Zoo提供MobileFaceNet,ResNet,SE-ResNet,HRNet,EfficientNet等流行的骨干网络，方便面部特征的提取。如果这不能满足您的需求，只需修改配置文件，添加模式定义文件，在PyTorch的支持下，您可以轻松自定义任何其他选择。使用FaceX-Zoo中的FMA-3D工具为照片中的人物戴上面具，以填充蒙面人脸数据集。不同骨干网络的性能评估。不同监管负责人的绩效评估。京东开发者表示，未来研究人员计划进一步增加FaceX-Zoo的人脸分析、人脸闪电等模块数量，补充骨干网络架构和监管头数量，并尝试使用分布式数据并行技术和混合精度训练。提高模型训练效率。相关论文：https://arxiv.org/abs/2101.04407
