LibreFaceRec

Installation

La tête de reconnaissance de LibreFaceRec passe par onnxruntime, qui ne fait pas partie de l'installation de base.

pip install "libreyolo[onnx]"

Prédire

from libreyolo import LibreYOLO, SAMPLE_IMAGE # Les noms librefacerec-* pointent vers cette famille quel que soit# le suffixe du fichier et se téléchargent au premier usage depuis# l'org Hugging Face de LibreYOLO, avec le détecteur par défaut.model = LibreYOLO("librefacerec-l.onnx")result = model(SAMPLE_IMAGE) print(result.embeddings.data.shape)   # (N, D), normalisés L2

libreyolo predict model=librefacerec-l.onnx source=face.jpg

from libreyolo import LibreYOLO model = LibreYOLO("librefacerec-l.onnx") # Compare le visage le plus marquant de chaque image par similarité# cosinus de leurs embeddings normalisés L2.result = model.verify("person_a.jpg", "person_b.jpg", threshold=0.4)print(result["similarity"], result["same_person"])

from libreyolo import LibreYOLO model = LibreYOLO("librefacerec-l.onnx") query = model("query.jpg").embeddings          # les visages de l'imagegallery = model.embed(["a.jpg", "b.jpg", "c.jpg"])   # (N_total, D) # Similarités cosinus (query_faces, N_total).scores = query.similarity(gallery)

La détection et la reconnaissance sont deux graphes ONNX distincts derrière un seul appel : un détecteur de visages localise et aligne chaque visage sur un recadrage canonique, et la tête de reconnaissance renvoie un embedding normalisé L2 par visage. Si vous n'y touchez pas, predict() télécharge et associe automatiquement le détecteur par défaut fourni. face_detector accepte un callable, un modèle de détection LibreYOLO ou une instance FaceDetector ; face_boxes court-circuite entièrement la détection avec des boîtes dont vous disposez déjà. result.embeddings contient une ligne par visage détecté, alignée sur result.boxes ; sa méthode .similarity() calcule la similarité cosinus face à un autre embedding ou à une galerie entière en un seul appel. Pour comparer directement deux images plutôt que deux embeddings déjà calculés, model.verify(image_a, image_b) lance la détection et l'embedding sur les deux et compare leur visage au score de confiance le plus élevé. Tout autre modèle de reconnaissance ONNX suivant la convention ArcFace (recadrage aligné en entrée, embeddings (N, D) en sortie) peut être substitué en passant son chemin de fichier au lieu d'un nom librefacerec-*. Voir la prédiction pour les sources, le streaming et le traitement des résultats.

Exporter

LibreFaceRec encapsule déjà un graphe ONNX pré-exporté ; le réexporter vers un autre format n'est pas implémenté.

Licence

Citation

@inproceedings{deng2019arcface,
  title={Arcface: Additive angular margin loss for deep face recognition},
  author={Deng, Jiankang and Guo, Jia and Xue, Niannan and Zafeiriou, Stefanos},
  booktitle={CVPR},
  year={2019}
}