其实之前已经做过人脸识别的项目了，比如Insightface里面提供了模型以及代码，其指标可以查看Model Zoo。

但是当时的实现是离线模式，也就是离线识别照片，甚至是通过服务器进行人脸对比的。如果需要在浏览器里面进行实时的人脸识别，就需要其他的方案。后来同事推荐Google MediaPipe方案，可以通过浏览器的Web Assembly，实现浏览器端人脸识别，甚至在手机端都可以运行，解决了延迟的问题。

至此，有两个思路。一个是Google的MediaPipe，另外一个是把ONNX搬到浏览器里面直接运行。ONNX格式的模型也可以在浏览器上运行，需要onnxruntime-web。

Google MediaPipe

ONNX runtime web

CNN

https://poloclub.github.io/cnn-explainer/

视觉主干网络

AlexNet（2012年）

AlexNet由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton等人提出，并在2012年的ImageNet图像分类竞赛中获得了压倒性的胜利。AlexNet的成功标志着深度学习在计算机视觉领域的巨大突破。

架构：包含了5个卷积层和3个全连接层，使用了ReLU激活函数、数据增强、Dropout和GPU加速等技术。 突破性：大幅提高了图像分类的准确率，AlexNet使得深度卷积神经网络成为计算机视觉研究的主流。

VGGNet（2014年）

VGGNet（Visual Geometry Group Network）由牛津大学的Visual Geometry Group提出，VGGNet的一个重要贡献是使用了非常小的卷积核（3x3）和深层次的网络结构。

架构：通常使用16或19个卷积层（VGG16/VGG19），采用重复的卷积层结构，提升了网络的深度。 特点：虽然VGGNet结构简单，但其在多个计算机视觉任务上表现良好，成为许多后续研究的基础。

GoogLeNet（Inception）系列（2014年）

GoogLeNet（或称Inception架构）由Google提出，并在2014年ImageNet竞赛中获得了第一名。

架构：GoogLeNet引入了“模块化”的思想，即Inception模块。每个Inception模块包含了不同尺寸的卷积层（1x1、3x3、5x5）和池化层，能够在同一层中捕捉不同尺度的特征。 突破：GoogLeNet通过模块化设计减少了参数量，同时保持了较高的准确率，是轻量化深度网络的典型代表。

ResNet（2015年）

ResNet（Residual Network）由微软研究院提出，凭借其创新性的残差连接（skip connections）解决了深度网络训练中的梯度消失问题。

架构：使用了残差块（residual block），通过引入跳跃连接，允许信息直接流过层与层之间，解决了深层网络中的训练问题。 突破性：ResNet使得网络可以有效地训练数百甚至数千层的深度网络，并在2015年ImageNet竞赛中取得了优异成绩。

DenseNet（2016年）

DenseNet（Densely Connected Convolutional Networks）由Gao Huang等人提出，其核心思想是每个层与前面所有层进行连接。

架构：DenseNet通过将每个层的输出与前面所有层的输出进行连接，确保了特征的最大化重用。这种结构显著提升了网络的训练效率。 突破性：DenseNet减少了参数量，并通过特征复用提高了网络性能。

MobileNet（2017年）

MobileNet由Google提出，旨在为移动设备提供高效的卷积神经网络。

架构：采用深度可分离卷积，减少了计算量和参数量，非常适合在资源有限的环境（如移动设备和嵌入式系统）中应用。 突破性：MobileNet成为了许多移动端应用的主干网络，广泛应用于图像分类、物体检测等任务。

EfficientNet（2019年）

EfficientNet由Google提出，通过神经架构搜索（NAS）技术自动寻找最优的网络架构，并结合了模型规模、深度、宽度、分辨率的平衡。

架构：通过精心设计的搜索算法，找到了一种在计算量和准确度之间最为高效的网络架构。 突破性：EfficientNet显著提高了模型的性能，同时减少了计算资源的消耗，是当前最为高效的主干网络之一。

CenterNet（2019年）

特点：CenterNet是一种以中心点（中心坐标）为基础的目标检测网络，常用于检测任务中，具有较高的准确度和效率。 应用：目标检测，尤其是用于实时目标检测任务。

YOLO (You Only Look Once)

特点：YOLO系列网络（如YOLOv3, YOLOv4等）是实时目标检测的经典网络，具备较高的推理速度和较低的计算资源需求。 应用：实时目标检测任务，常用于视频监控、无人驾驶等场景。

常用数据集

LFW Labeled Faces in the Wild

LFW是一个标准的人脸识别数据集，专门设计用于验证人脸识别算法的泛化能力。它包含了13,000多张面部图像，这些图像来自5,749个不同的人，且图片均为自然场景拍摄。

用于评估人脸识别系统的基本能力，主要考察在自然条件下的验证任务。

CFP-FP

一个多样化的人脸识别数据集，包含了从多个角度（正面和侧面）拍摄的名人面孔。它特别设计用来评估人脸识别模型在不同姿态下的表现，尤其是侧面图像。

特别考察系统在不同姿态（正面与侧面）下的表现，主要是姿态变化带来的挑战。

AgeDB-30

包含了30,000多张人脸图像，这些图像来自年龄跨度较大的人群（0到100岁）。每个个体的图像在不同年龄段都进行了采集，包含了不同年龄下的同一人物图像。

测试人脸识别系统在年龄变化下的表现。

MegaFace

大规模人脸识别数据集，设计目的是为了评估人脸识别系统在大规模人脸库中的表现。这个数据集非常庞大，包含了数百万张人脸图像，能够模拟真实世界中大规模人脸识别的挑战。

用于测试在大规模数据集下的表现，特别是在人脸库非常庞大的情况下的精度和速度。