tomas-gajarsky/facetorch

解決的問題

Facetorch 提供一個統一且可擴展的面部檢測與分析工具包。它透過收集社群模型、打包為可攜式格式，並提供標準化的讀取、檢測與分析面部特徵的流程，解決了開源面部分析模型碎片化問題。

工作原理

該庫使用一個稱為 FaceAnalyzer 的中心協調器來管理一個順序流程：

1. Reader：從各種來源載入影像（本機路徑、張量、NumPy 陣列、PIL 圖像或位元組）。
2. Detector：使用神經網路（例如 RetinaFace）在影像中定位人臉。
3. Unifier：將檢測到的人臉標準化並調整為一致格式。
4. Predictors：一系列專用神經網路，用於分析特定面部屬性，如面部表情辨識（FER）、人臉驗證與嵌入生成。
5. Utilizers：處理輸出的元件，例如繪製邊界框或儲存結果。

模型使用 torch.export（.pt2 格式）進行序列化，使得在推論時無需原始來源程式碼，並支援 torch.compile 以實現效能最佳化。

適用對象

專為需要靈活、高效能面部分析系統，且可透過 Python 或 Docker 輕鬆部署，並支援 CPU 與 GPU 環境的開發者與研究人員設計。

主要亮點

• 可攜式模型：使用 .pt2 序列化，推論時無需模型來源程式碼。
• 靈活輸入：透過單一流程支援多種輸入類型，包括張量、NumPy 陣列與 PIL 圖像。
• 模型篩選與治理：透過嚴格的清單（manifest）對社群模型進行篩選，確保驗證、來源與權利批准。
• 可自訂設定：與 Hydra 和 OmegaConf 集成，便於設定覆蓋。
• 即時部署：提供官方 Docker 鏡像，並透過 uv 與 conda-lock 支援快速套件管理。