近年来，深度学习驱动的人脸识别技术取得了显著进展。然而，为了在实际应用中部署人脸识别模型并进行深入研究，公众的支持显得尤为重要。生产级的人脸表示网络需要具备模块化的训练机制，以便与不同的 SOTA 骨干网络、训练监督主题以及现实世界的人脸识别需求相结合。同时，针对多种基准的模型也需要一个标准化和自动化的评估工具，以进行性能分析和比较。此外，业界期望能够建立一个整体流水线形式的人脸识别公共基础设施。
最近，一些新的挑战也随之而来，例如在疫情期间对于戴口罩的人脸识别需求，这引起了广泛关注。为了解决这些问题，构建一个易于使用的统一框架成为了一个可行的方案。
今年1月，京东的研究团队为人脸识别技术开发者们推出了全新的开源框架FACEX-Zoo。基于高度模块化和可扩展的设计，FACEX-Zoo 提供多种监督头和骨干网络的训练模块，旨在优化人脸识别效果。此外，它还包含标准化的评估模块，以便在大多数情况下测试模型性能。
用户只需进行简单的配置变更，即可在主流基准上进行模型测试。同时，FACEX-Zoo 还包含一个功能齐全的人脸 SDK，方便验证训练后的模型并进行初步应用。虽然该工具并不包含大量现有技术，但这也使其易于扩展和升级。
最近，该工具已正式开源。
GitHub 链接：https://Github.coM/JDAI-CV/FACEX-Zoo
使用该工具的环境要求如下：
Python >= 3.7.1 pyTorch >= 1.1.0 Torchvision >= 0.3.0
FACEX-Zoo 提供了 MoBIleFACENet、ResNet、SE-ResNet、HRNet、EFFicientNet 等主流骨干网络，方便提取面部特征。如果这些选项仍无法满足需求，用户只需修改配置文件和添加架构定义文件，便可在 PyTorch 的支持下轻松自定义其他选择。
使用 FACEX-Zoo 中的 FMA-3D 工具，可以为照片中的人物戴上口罩，从而填充蒙面人脸数据集。
不同骨干网络的性能评估结果。
京东的开发团队表示，未来他们还计划进一步扩展 FACEX-Zoo 的模块数量，如面部分析和光照处理，同时补充更多的骨干网络架构和监督头，并尝试利用分布式数据并行技术和混合精度训练来提升模型训练效率。
相关论文链接：https://aRxiv.oRg/abs/2101.04407
