VGGFace 是牛津大学视觉组于2015年发表， VGGNet 也是他们提出的，基于VGGNet的人脸识别，Deep Face Recognition，官网 主要思想 目标：构建最少的人为干预大规模人脸数据集，使训练的卷积神经网络进行人脸识别，可以与谷歌和Facebook等互联网巨头竞争。

VGGFace2 Dataset for Face Recognition The dataset contains 3.31 million images of 9131 subjects (identities), with an average of 362.6 images for each subject. Images are downloaded from Google Image Search and have large variations in pose, age, illumination, ethnicity and profession (e.g. actors, athletes, politicians).

This page contains the download links for the source code for computing the VGG-Face CNN descriptor, described in [1]. The VGG-Face CNN descriptors are computed using our CNN implementation based on the VGG-Very-Deep-16 CNN architecture as described in [1] and are evaluated on the Labeled Faces in the Wild [2] and the YouTube Faces [3] dataset.

Live Face Identification with pre-trained VGGFace2 model. How to Perform Face Recognition With VGGFace2 in Keras. An extremely small FaceRecog project for extreme beginners, and a few thoughts on the future

The VGG Face dataset is face identity recognition dataset that consists of 2,622 identities. It contains over 2.6 million images.

简介：VGGFace2是一个大规模的人脸识别数据集，包含9131个人的面部。 图像从Google图片搜索下载，在姿势，年龄，照明，种族和职业方面有很大差异。该数据集于2015年由牛津大学工程科学系视觉几何组发布，相关论文为Deep Face Recognition。

2019年6月4日 · In this tutorial, you will discover how to develop face recognition systems for face identification and verification using the VGGFace2 deep learning model. After completing this tutorial, you will know:

2021年12月7日 · VGGFace是牛津大学视觉组于2015年发表，VGGNet也是他们提出的，是基于VGGNet的人脸识别模型。 首先，vggface是基于vgg16架构的，pytorch本身也提供了vgg16等预训练模型（categories是imagenet_classes），见 VGG-NETS。 但是pytorch没有针对vggface数据集训练的vggface的预训练模型，你可以在官网的下载处看到提供的如下几种格式： 也许你会想，这不是有Torch格式的预训练模型吗？ 如果进行尝试，会发现是不行的。 困难的真正原因 是， …

2018年3月17日 · Face Recognition库是基于Dlib和OpenCV的Python接口，可以进行人脸检测（使用Haar级联分类器或HOG+SVM方法）、人脸识别（通过预训练的深度学习模型，如DeepID-2+或VGG-Face）和人脸比对。它提供了简单易用的API，...

VGGFace2 是一个大规模 人脸识别 数据，包含331万图片，9131个ID，平均图片个数为362.6。 这个数据集有以下几个特点： 1）人物ID较多，且每个ID包含的图片个数也较多。 2）覆盖大范围的姿态、年龄和种族。 3）尽可能地使噪声最少。 作者使用 ResNet-50 和SE分别在VGGFace/MSCeleb-1M/VGGFace2分别做训练，使用IJB-A做测试，证明了VGGFace2的最佳训练结果。 同时实验也表明，使用MS-Celeb-1M做预训练，再使用VGGFace2做finetune,能够取 …