2025年最高の 36 個の人の顔に関係があるツール

ビジョントランスフォーマー（ViT）をファインチューニングした顔面感情認識モデルで、7種類の表情分類をサポート

GoogleのViT-baseモデルをファインチューニングした顔感情認識モデルで、テストセットで91%の精度を達成しました。

顔画像に基づく高精度な性別分類モデルで、正確率は約98.7%です。

ViTベースの顔表情認識モデルで、FER2013、MMI、AffectNetデータセットで微調整され、7種類の感情分類をサポート

ViTベースの顔表情認識モデルで、FER2013、MMI、AffectNetデータセットでファインチューニングされ、7つの基本感情を識別可能

ResMaskNetは、残差マスクメカニズムとU-Netアーキテクチャを組み合わせた畳み込みニューラルネットワークで、顔面感情認識に使用されます。

Vision Transformerベースの顔魅力スコアモデルで、入力された顔画像に対して0から1の魅力スコアを返し、精度は約83%です。

このモデルはRudolf Enyimbaによってトレーニングされ、ディープフェイク画像を検出するために使用され、テスト精度は98.70％に達しました。

事前学習モデルを微調整した顔表情認識モデルで、8種類の異なる顔表情を効果的に認識できます。

MiewID-msv3は、64種の陸上および水生野生種を含む大規模高品質データセット上で個体再識別を行うための、対照学習で訓練された特徴抽出器です。

Vision Transformer (ViT)アーキテクチャで訓練されたモデルで、顔画像から年齢範囲を予測

PyTorchに基づく顔の感情認識モデルで、FER2013データセットで訓練され、正解率が91.9%に達します。

ViTアーキテクチャに基づく顔面表情認識モデルで、imagefolderデータセットで微調整され、精度は91.77%に達しました

MS1MV3データセットで訓練された視覚変換器(ViT)モデルで、顔認識タスク専用です。

DINOv2アーキテクチャに基づく生体検知モデルで、実在の顔と偽造攻撃を区別し、評価データセットで99.32%の精度を達成。

このモデルはGoogleのViT-baseアーキテクチャを使用し、顔画像からひげの有無を予測し、テストセットで100%の精度を達成しました。

MS1MV3データセットでトレーニングされた視覚変換器(ViT)モデルで、顔認識タスク専用です。

このモデルはGoogleのViTアーキテクチャを基に、画像フォルダデータセットで微調整された顔認識モデルで、評価セットでほぼ完璧な精度を達成しました。

このモデルはTransformerライブラリに基づく顔生体検知モデルで、評価セットで優れた性能を発揮しました。

PyTorchとHuggingPicsで構築された画像分類モデルで、顔認識タスク専用

キーポイント相対位置エンコーディングに基づく顔認識モデル、ViTアーキテクチャを採用しWebFace12Mデータセットで学習

目の動きや眉の微妙な動きを正確に検出し分類する先進的なリアルタイムシステム。'はい'、'いいえ'、'通常'の3種類の動きを識別可能。

YOLOv8/YOLO11アーキテクチャに基づく高速人種分類モデルで、FairFaceデータセットで訓練され、顔の人種分類タスクに使用されます。

MS1MV3データセットで訓練されたConvNeXt-Nano顔認識モデル、timmフレームワーク互換

microsoft/resnet-50をファインチューニングしたアニメ顔認識モデルで、画像分類タスクで良好な性能を発揮します。

Google Vision Transformer (ViT)アーキテクチャを基にファインチューニングしたアニメ顔認識モデルで、画像分類タスクで優れた性能を発揮します

Sapiensは3億枚の高解像度人間画像で事前学習されたビジョントランスフォーマーモデルで、人間中心の視覚タスクに特化しています。

ArcFace損失関数に基づく深層顔認識モデル、IR101アーキテクチャを使用しWebFace4Mデータセットで訓練

RetinafaceはMobileNetまたはResNet50バックボーンネットワークを基にした軽量な顔検出モデルで、効率的に顔を検出し顔のキーポイント座標を提供します。

このモデルはGoogleのViTベースモデルをFER2013データセットでファインチューニングした顔表情分類器で、画像を4種類の顔表情に分類できます。

ResNet-50アーキテクチャをファインチューニングした顔表情認識モデル、FER2013とCKPlusデータセットでトレーニング

Unity Sentis用の顔面キーポイント検出モデルで、468個の3D顔面マーキングポイントを検出し、メッシュ変形などのアプリケーションに使用できます。

Sapiens-2Bは3億枚の高解像度人間画像で事前学習された視覚Transformerモデルで、人間中心の視覚タスク向けに設計されており、優れた汎化能力を備えています。

MS1MV3データセットで訓練された視覚変換器(ViT)モデルで、顔認識タスク向けに設計

FER2013データセットでファインチューニングされたMicrosoft BEiTモデルベースの表情認識モデル

google/vit-base-patch16-224-in21kを基に微調整した視覚モデルで、顔表情認識タスクに使用