2025年最佳 36 款人臉相關工具

基於視覺變換器（ViT）微調的面部情緒識別模型，支持7種表情分類

基於Google的ViT-base模型微調的面部情緒識別模型，在測試集上達到91%的準確率。

基於人臉圖像的高精度性別分類模型，準確率約98.7%

基於ViT的面部表情識別模型，在FER2013、MMI和AffectNet數據集上微調，支持七種情緒分類

基於ViT的面部表情識別模型，在FER2013、MMI和AffectNet數據集上微調，能夠識別七種基本情緒

ResMaskNet是一種結合殘差掩碼機制與U-Net架構的卷積神經網絡，用於面部情緒識別。

基於Vision Transformer的面部吸引力評分模型，可對輸入的面部圖像返回0到1的吸引力評分，準確率約為83%。

該模型由Rudolf Enyimba訓練完成，用於檢測深度偽造圖像，測試準確率達98.70%。

基於預訓練模型微調的面部表情識別模型，能有效識別八種不同面部表情。

MiewID-msv3是一個通過對比學習訓練的特徵提取器，用於在包含64種陸生和水生野生物種的大規模高質量數據集上進行個體重識別。

使用Vision Transformer (ViT)架構訓練的模型，用於根據面部圖像預測年齡區間

一個基於PyTorch的面部情緒識別模型，在FER2013數據集上訓練，準確率達到91.9%。

基於ViT架構的面部表情識別模型，在imagefolder數據集上微調，準確率達91.77%

一個基於MS1MV3數據集訓練的視覺變換器(ViT)模型，專門用於人臉識別任務。

基於DINOv2架構的活體檢測模型，用於區分真實人臉與偽造攻擊，在評估集上達到99.32%的準確率。

該模型使用Google的ViT-base架構，通過面部圖像預測是否存在鬍鬚，在測試集上達到100%準確率。

一個基於MS1MV3數據集訓練的視覺變換器(ViT)模型，專門用於人臉識別任務。

本模型是基於Google的ViT架構在圖像文件夾數據集上微調的人臉識別模型，在評估集上取得了接近完美的準確率。

本模型是基於Transformer庫的人臉活體檢測模型，在評估集上取得了優異的性能。

一個基於PyTorch和HuggingPics構建的圖像分類模型，專門用於人臉識別任務

基於關鍵點相對位置編碼的人臉識別模型，採用ViT架構並在WebFace12M數據集上訓練

一個先進的即時系統，能夠準確檢測和分類眼睛和眉毛的細微動作，包括'是'、'否'和'正常'三種動作。

基於YOLOv8/YOLO11架構的快速種族分類模型，訓練於FairFace數據集，用於面部種族分類任務。

基於MS1MV3數據集訓練的ConvNeXt-Nano人臉識別模型，兼容timm框架

基於microsoft/resnet-50微調的卡通人臉識別模型，在圖像分類任務上表現良好。

基於Google Vision Transformer (ViT)架構微調的卡通人臉識別模型，在圖像分類任務上表現優異

Sapiens是基於3億張高分辨率人類圖像預訓練的視覺Transformer模型，專注於以人為中心的視覺任務。

基於ArcFace損失函數的深度人臉識別模型，使用IR101架構在WebFace4M數據集上訓練

Retinaface是基於MobileNet或ResNet50骨幹網絡的輕量級人臉檢測模型，可高效定位人臉並提供面部關鍵點座標。

該模型是基於Google的ViT基礎模型在FER2013數據集上微調的面部表情分類器，可將圖像分類為四種面部表情。

基於ResNet-50架構微調的面部表情識別模型，在FER2013和CKPlus數據集上訓練

適用於Unity Sentis的面部關鍵點檢測模型，可檢測468個3D面部標記點，用於控制網格變形等應用。

Sapiens-2B是基於3億張高分辨率人類圖像預訓練的視覺Transformer模型，專為以人為中心的視覺任務設計，具有卓越的泛化能力。

一個基於MS1MV3數據集訓練的視覺變換器(ViT)模型，專為人臉識別任務設計

基於微軟BEiT模型在FER2013數據集上微調的面部表情識別模型

基於google/vit-base-patch16-224-in21k微調的視覺模型，用於面部表情識別任務