tomas-gajarsky/facetorch

解决的问题

Facetorch 提供了一个统一且可扩展的面部检测与分析工具包。它通过收集社区模型、将其打包为便携格式，并提供标准化的读取、检测和分析面部特征的流水线，解决了开源面部分析模型碎片化的问题。

工作原理

该库使用一个名为 FaceAnalyzer 的中心协调器来管理一个顺序流水线：

1. Reader：从各种来源加载图像（本地路径、张量、NumPy 数组、PIL 图像或字节）。
2. Detector：使用神经网络（例如 RetinaFace）在图像中定位人脸。
3. Unifier：将检测到的人脸标准化并调整为一致的格式。
4. Predictors：一系列专门的神经网络，用于分析特定面部属性，如面部表情识别（FER）、人脸验证和嵌入生成。
5. Utilizers：处理输出的组件，例如绘制边界框或保存结果。

模型使用 torch.export（.pt2 格式）进行序列化，使得在推理时无需原始源代码，并支持 torch.compile 以实现性能优化。

适用人群

专为需要灵活、高性能面部分析系统且可通过 Python 或 Docker 轻松部署，并支持 CPU 和 GPU 环境的开发者和研究人员设计。

主要亮点

• 便携模型：使用 .pt2 序列化，推理时无需模型源代码。
• 灵活输入：通过单一流水线支持多种输入类型，包括张量、NumPy 数组和 PIL 图像。
• 模型遴选与治理：通过严格的清单（manifest）对社区模型进行遴选，确保验证、来源和权利批准。
• 可自定义配置：与 Hydra 和 OmegaConf 集成，便于设置覆盖。
• 开箱即用的部署：提供官方 Docker 镜像，并通过 uv 和 conda-lock 支持快速包管理。