deepface

KO | EN

gitlite — search

#hacktoberfest #ai #llm #go #rust #deep-learning #linux #docker #kubernetes #vue #awesome-list #security #mcp #open-source

(★ 23,291)

Python을 위한 경량 얼굴 인식 및 얼굴 속성 분석(나이, 성별, 감정, 인종) 라이브러리

deepface 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# deepface

[![Downloads](https://static.pepy.tech/personalized-badge/deepface?period=total&units=international\_system&left\_color=grey&right\_color=blue&left\_text=downloads)](https://pepy.tech/project/deepface)
[![Stars](https://img.shields.io/github/stars/serengil/deepface?color=yellow&style=flat&label=%E2%AD%90%20stars)](https://github.com/serengil/deepface/stargazers)
[![Pulls](https://img.shields.io/docker/pulls/serengil/deepface?logo=docker)](https://hub.docker.com/r/serengil/deepface)
[![License](http://img.shields.io/:license-MIT-green.svg?style=flat)](https://github.com/serengil/deepface/blob/master/LICENSE)
[![DOI](http://img.shields.io/:DOI-10.35378/gujs.1794891-blue.svg?style=flat)](https://doi.org/10.35378/gujs.1794891)
[![DeepFace Cloud](https://img.shields.io/badge/%E2%98%81-deepface%20cloud-blue?style=for-the-badge)](https://deepface.dev?source=deepface\_repo)

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/deepface-icon-labeled.png)

DeepFace는 python을 위한 경량 [face recognition](https://sefiks.com/2018/08/06/deep-face-recognition-with-keras/) 및 안면 속성 분석([age](https://sefiks.com/2019/02/13/apparent-age-and-gender-prediction-in-keras/), [gender](https://sefiks.com/2019/02/13/apparent-age-and-gender-prediction-in-keras/), [emotion](https://sefiks.com/2018/01/01/facial-expression-recognition-with-keras/), [race](https://sefiks.com/2019/11/11/race-and-ethnicity-prediction-in-keras/)) 프레임워크입니다. 이 프레임워크는 \*\*state-of-the-art\*\* 모델들을 래핑하는 하이브리드 얼굴 인식 프레임워크입니다: [`VGG-Face`](https://sefiks.com/2018/08/06/deep-face-recognition-with-keras/), [`FaceNet`](https://sefiks.com/2018/09/03/face-recognition-with-facenet-in-keras/), [`OpenFace`](https://sefiks.com/2019/07/21/face-recognition-with-openface-in-keras/), [`DeepFace`](https://sefiks.com/2020/02/17/face-recognition-with-facebook-deepface-in-keras/), [`DeepID`](https://sefiks.com/2020/06/16/face-recognition-with-deepid-in-keras/), [`ArcFace`](https://sefiks.com/2020/12/14/deep-face-recognition-with-arcface-in-keras-and-python/), [`Dlib`](https://sefiks.com/2020/07/11/face-recognition-with-dlib-in-python/), `SFace`, `GhostFaceNet`, `Buffalo\_L`.
[A modern face recognition pipeline](https://sefiks.com/2020/05/01/a-gentle-introduction-to-face-recognition-in-deep-learning/)은 5가지 공통 단계로 구성됩니다: [detect](https://sefiks.com/2020/08/25/deep-face-detection-with-opencv-in-python/), [align](https://sefiks.com/2020/02/23/face-alignment-for-face-recognition-in-python-within-opencv/), [normalize](https://sefiks.com/2020/11/20/facial-landmarks-for-face-recognition-with-dlib/), [represent](https://sefiks.com/2018/08/06/deep-face-recognition-with-keras/), [verify](https://sefiks.com/2020/05/22/fine-tuning-the-threshold-in-face-recognition/). DeepFace는 백그라운드에서 이러한 모든 공통 단계를 처리하므로, 그 이전에 있는 모든 프로세스에 대해 심층적인 지식을 습득할 필요가 없습니다. 단 한 줄의 코드로 검증, 검색 또는 분석 함수를 호출하기만 하면 됩니다.
[`Experiments`](https://github.com/serengil/deepface/tree/master/benchmarks)에 따르면 \*\*인간은 얼굴 인식 작업에서 97.53%의 정확도\*\*를 보이는 반면, 이러한 모델들은 이미 해당 정확도 수준에 도달하여 뛰어넘었습니다.
## Installation [![PyPI](https://img.shields.io/pypi/v/deepface.svg)](https://pypi.org/project/deepface/)
deepface를 설치하는 가장 쉬운 방법은 [`PyPI`](https://pypi.org/project/deepface/)에서 다운로드하는 것입니다. 라이브러리 자체와 필수 전제 조건들도 함께 설치됩니다.
```shell
$ pip install deepface
```
또는 소스 코드로 deepface를 직접 설치할 수도 있습니다. 소스 코드에는 아직 pip 릴리스에 게시되지 않은 새로운 기능이 포함되어 있을 수 있습니다.
```shell
$ git clone https://github.com/serengil/deepface.git
$ cd deepface
$ pip install -e .
```
라이브러리를 일단 설치하고 나면, 이를 임포트하여 해당 기능을 사용할 수 있습니다.
```python
from deepface import DeepFace
```
> 💡 인프라를 직접 설치하거나 관리하고 싶지 않으신가요? [deepface.dev](https://deepface.dev?source=deepface\_repo)를 통해 관리형 API를 사용할 수 있습니다.
\*\*Face Verification\*\* - [`Demo`](https://youtu.be/KRCvkNCOphE)
이 함수는 두 개의 얼굴 이미지가 같은 사람의 것인지, 아니면 서로 다른 개인의 것인지를 판별합니다. 이 함수는 딕셔너리를 반환하며, 관심 있는 키는 `verified`입니다: True는 이미지가 동일 인물임을 나타내고, False는 서로 다른 사람임을 의미합니다.
```python
result: dict = DeepFace.verify(img1\_path = "img1.jpg", img2\_path = "img2.jpg")
```

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/verify-credit.jpg)

\*\*Face recognition\*\* (얼굴 인식) - [`Tutorial`](https://sefiks.com/2026/01/01/introducing-brand-new-face-recognition-in-deepface/), [`Demo`](https://youtu.be/Hrjp-EStM\_s)
[Face recognition](https://sefiks.com/2020/05/25/large-scale-face-recognition-for-deep-learning/)은 얼굴 검증을 여러 번 수행하는 과정이 필요합니다. DeepFace는 지정된 데이터베이스 경로 내에서 입력 이미지의 신원을 검색하는 즉시 사용 가능한 `find` 함수를 제공합니다.
```python
dfs: List[pd.DataFrame] = DeepFace.find(img\_path = "img1.jpg", db\_path = "C:/my\_db")
```

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/stock-6-v2.jpg)

여기서 `find` 함수는 디렉토리 기반 얼굴 데이터 저장소에 의존하며 임베딩을 디스크에 저장합니다. 또는, DeepFace는 임베딩이 명시적으로 등록되고 [`approximate nearest neighbor`](https://sefiks.com/2023/12/31/a-step-by-step-approximate-nearest-neighbor-example-in-python-from-scratch/) 지원을 통해 쿼리되는 데이터베이스 기반 [`search`](https://sefiks.com/2026/01/01/introducing-brand-new-face-recognition-in-deepface/) 기능을 제공합니다. 현재 백엔드 데이터베이스로는 [postgres](https://sefiks.com/2023/06/22/vector-similarity-search-in-postgresql/), [mongo](https://sefiks.com/2021/01/22/deep-face-recognition-with-mongodb/), [neo4j](https://sefiks.com/2021/04/03/deep-face-recognition-with-neo4j/), [pgvector](https://sefiks.com/2024/07/05/postgres-as-a-vector-database-billion-scale-vector-similarity-search-with-pgvector/), [pinecone](https://sefiks.com/2021/05/19/large-scale-face-recognition-with-pinecone-vector-database/), milvus, qdrant, weaviate가 지원됩니다.
```python
# register an image into the database
DeepFace.register(img = "img1.jpg")
# perform exact search
dfs: List[pd.DataFrame] = DeepFace.search(img = "target.jpg")
# perform approximate nearest neighbor search
dfs: List[pd.DataFrame] = DeepFace.search(img = "target.jpg", search\_method = "ann")
```
\*\*Facial Attribute Analysis\*\* (얼굴 속성 분석) - [`Demo`](https://youtu.be/GT2UeN85BdA)
DeepFace는 또한 [`age`](https://sefiks.com/2019/02/13/apparent-age-and-gender-prediction-in-keras/), [`gender`](https://sefiks.com/2019/02/13/apparent-age-and-gender-prediction-in-keras/), [`facial expression`](https://sefiks.com/2018/01/01/facial-expression-recognition-with-keras/) (분노, 공포, 중립, 슬픔, 혐오, 행복, 놀람 포함), [`race`](https://sefiks.com/2019/11/11/race-and-ethnicity-prediction-in-keras/) (아시아인, 백인, 중동인, 인도인, 라티노, 흑인 포함) 예측을 포함하는 강력한 얼굴 속성 분석 모듈을 제공합니다.
```python
objs: List[dict] = DeepFace.analyze(
img\_path = "img4.jpg", actions = ['age', 'gender', 'race', 'emotion']
)
```

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/stock-2.jpg)

[튜토리얼](https://sefiks.com/2019/02/13/apparent-age-and-gender-prediction-in-keras/)에 언급된 바와 같이, 연령 모델은 ± 4.65 MAE를 기록했으며, 성별 모델은 97.44%의 정확도, 96.29%의 정밀도, 95.05%의 재현율을 기록했습니다.
\*\*Real Time Analysis\*\* (실시간 분석) - [`Demo`](https://youtu.be/-c9sSJcx6wI), [`React Demo part-i`](https://youtu.be/IXoah6rhxac), [`React Demo part-ii`](https://youtu.be/\_waBA-cH2D4)
실시간 동영상에 대해서도 deepface를 실행할 수 있습니다. Stream 함수는 웹캠에 접근하여 얼굴 인식과 얼굴 속성 분석을 모두 수행합니다. 이 함수는 연속해서 5프레임 동안 얼굴에 초점을 맞출 수 있으면 프레임 분석을 시작합니다. 그런 다음 결과를 5초 동안 표시합니다.
```python
DeepFace.stream(db\_path = "C:/database")
```

![](https://raw.githubusercontent.com/serengil/deepface/refs/heads/master/icon/deepface-realtime.jpg)

얼굴 인식은 원샷 러닝(one-shot learning)을 기반으로 하지만, 한 사람의 얼굴 사진을 여러 장 사용하는 것도 가능합니다. 아래에 설명된 대로 디렉터리 구조를 재구성해야 합니다.
```bash
user
├── database
│ ├── Alice
│ │ ├── Alice1.jpg
│ │ ├── Alice2.jpg
│ ├── Bob1.jpg
```
여기에서 다양한 모델에 대한 실시간 데모도 확인할 수 있습니다:
| Task | Model | Demo |
| --- | --- | --- |
| Facial Recognition | DeepFace | [`Video`](https://youtu.be/YjYIMs5ZOfc) |
| Facial Recognition | FaceNet | [`Video`](https://youtu.be/vB1I5vWgTQg) |
| Facial Recognition | VGG-Face | [`Video`](https://youtu.be/tSU\_lNi0gQQ) |
| Facial Recognition | OpenFace | [`Video`](https://youtu.be/-4z2sL6wzP8) |
| Age & Gender | Default | [`Video`](https://youtu.be/tFI7vZn3P7E) |
| Race & Ethnicity | Default | [`Video`](https://youtu.be/-ztiy5eJha8) |
| Emotion | Default | [`Video`](https://youtu.be/Y7DfLvLKScs) |
| Celebrity Look-Alike | Default | [`Video`](https://youtu.be/RMgIKU1H8DY) |
브라우저에서 직접 얼굴 검증 또는 분석 작업을 수행하려면, deepface API를 기반으로 ReactJS로 구축된 별도의 리포지토리인 [`deepface-react-ui`](https://github.com/serengil/deepface-react-ui)를 사용할 수 있습니다.
\*\*임베딩(Embeddings)\*\* - [`Tutorial`](https://sefiks.com/2025/06/28/what-are-vector-embeddings-and-why-they-matter-in-ai/), [`Demo`](https://youtu.be/OYialFo7Qo4)
얼굴 인식 모델은 기본적으로 얼굴 이미지를 다차원 벡터로 [표현](https://sefiks.com/2020/05/01/a-gentle-introduction-to-face-recognition-in-deep-learning/)합니다. 때로는 이러한 임베딩 벡터가 직접 필요할 수도 있습니다. DeepFace는 전용 표현 함수를 제공합니다.
```python
embedding\_objs: List[dict] = DeepFace.represent(img\_path = "img.jpg")
```

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/embedding.jpg)

\*\*얼굴 인식 모델(Face recognition models)\*\* - [`Demo`](https://youtu.be/eKOZawGR3y0)
DeepFace는 \*\*하이브리드(hybrid)\*\* 얼굴 인식 패키지입니다. 현재 많은 \*\*최첨단(state-of-the-art)\*\* 얼굴 인식 모델들을 래핑하고 있습니다: [`VGG-Face`](https://sefiks.com/2018/08/06/deep-face-recognition-with-keras/) , [`FaceNet`](https://sefiks.com/2018/09/03/face-recognition-with-facenet-in-keras/), [`OpenFace`](https://sefiks.com/2019/07/21/face-recognition-with-openface-in-keras/), [`DeepFace`](https://sefiks.com/2020/02/17/face-recognition-with-facebook-deepface-in-keras/), [`DeepID`](https://sefiks.com/2020/06/16/face-recognition-with-deepid-in-keras/), [`ArcFace`](https://sefiks.com/2020/12/14/deep-face-recognition-with-arcface-in-keras-and-python/), [`Dlib`](https://sefiks.com/2020/07/11/face-recognition-with-dlib-in-python/), `SFace`, `GhostFaceNet`, `Buffalo\_L`. 기본 설정은 VGG-Face 모델을 사용합니다.
```python
models = [
"VGG-Face", "Facenet", "Facenet512", "OpenFace", "DeepFace",
"DeepID", "ArcFace", "Dlib", "SFace", "GhostFaceNet",
"Buffalo\_L",
]
result = DeepFace.verify(
img1\_path = "img1.jpg", img2\_path = "img2.jpg", model\_name = models[0]
)
dfs = DeepFace.find(
img\_path = "img1.jpg", db\_path = "C:/my\_db", model\_name = models[1]
)
embeddings = DeepFace.represent(
img\_path = "img.jpg", model\_name = models[2]
)
```

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/model-portfolio-20240316.jpg)

정확도에 대해서는 [`BENCHMARKS`](https://github.com/serengil/deepface/tree/master/benchmarks)를 참고하세요.
\*\*얼굴 감지 및 정렬\*\* - [`Demo`](https://youtu.be/GZ2p2hj2H5k)
얼굴 감지 및 정렬은 현대 얼굴 인식 파이프라인에서 중요한 초기 단계입니다. [실험](https://github.com/serengil/deepface/tree/master/benchmarks)에 따르면 감지는 얼굴 인식 정확도를 최대 42%까지 높이고, 정렬은 최대 6%까지 높입니다. deepface에는 [`OpenCV`](https://sefiks.com/2020/02/23/face-alignment-for-face-recognition-in-python-within-opencv/), [`Ssd`](https://sefiks.com/2020/08/25/deep-face-detection-with-opencv-in-python/), [`Dlib`](https://sefiks.com/2020/07/11/face-recognition-with-dlib-in-python/), [`MtCnn`](https://sefiks.com/2020/09/09/deep-face-detection-with-mtcnn-in-python/), `Faster MtCnn`, [`RetinaFace`](https://sefiks.com/2021/04/27/deep-face-detection-with-retinaface-in-python/), [`MediaPipe`](https://sefiks.com/2022/01/14/deep-face-detection-with-mediapipe/), `Yolo`, `YuNet`, `CenterFace` 감지기가 래핑되어 있습니다.

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/detector-portfolio-v6.jpg)

모든 deepface 함수는 선택적 감지기 백엔드(`detector_backend`)와 정렬(`align`) 입력 인수를 지원합니다. 이러한 인수를 사용하여 감지기와 정렬 모드 사이를 전환할 수 있습니다. OpenCV가 기본 감지기이며 정렬은 기본적으로 켜져 있습니다.
```python
backends = [
'opencv', 'ssd', 'dlib', 'mtcnn', 'fastmtcnn',
'retinaface', 'mediapipe', 'yolov8n', 'yolov8m',
'yolov8l', 'yolov11n', 'yolov11s', 'yolov11m',
'yolov11l', 'yolov12n', 'yolov12s', 'yolov12m',
'yolov12l', 'yunet', 'centerface',
]
detector = backends[3]
align = True
obj = DeepFace.verify(
img1\_path = "img1.jpg", img2\_path = "img2.jpg", detector\_backend = detector, align = align
)
dfs = DeepFace.find(
img\_path = "img.jpg", db\_path = "my\_db", detector\_backend = detector, align = align
)
embedding\_objs = DeepFace.represent(
img\_path = "img.jpg", detector\_backend = detector, align = align
)
demographies = DeepFace.analyze(
img\_path = "img4.jpg", detector\_backend = detector, align = align
)
face\_objs = DeepFace.extract\_faces(
img\_path = "img.jpg", detector\_backend = detector, align = align
)
```

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/detector-outputs-20240414.jpg)

RetinaFace는 포트폴리오에 있는 모든 얼굴 감지 모델 중에서 가장 뛰어난 성능을 보입니다.

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/retinaface-results.jpeg)
  
*옐로 엔젤스(페네르바체 여자 배구팀)에서 RetinaFace 실행하기*

정확도에 대해서는 [`BENCHMARKS`](https://github.com/serengil/deepface/tree/master/benchmarks)를 참고하세요.
\*\*안티 스푸핑(Face Anti Spoofing)\*\* - [`Demo`](https://youtu.be/UiK1aIjOBlQ)
DeepFace에는 주어진 이미지가 실제인지 가짜인지 판별하기 위한 안티 스푸핑 분석 모듈도 포함되어 있습니다. 이 기능을 활성화하려면 모든 DeepFace 작업에서 `anti\_spoofing` 인수를 True로 설정하세요.

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/face-anti-spoofing.jpg)

```python
# anti spoofing test in face detection
face\_objs = DeepFace.extract\_faces(img\_path="dataset/img1.jpg", anti\_spoofing = True)
assert all(face\_obj["is\_real"] is True for face\_obj in face\_objs)
# anti spoofing test in real time analysis
DeepFace.stream(db\_path = "C:/database", anti\_spoofing = True)
```
\*\*유사도(Similarity)\*\* - [`Demo`](https://youtu.be/1EPoS69fHOc)
안면 인식 모델은 일반적인 [합성곱 신경망(convolutional neural networks)](https://sefiks.com/2018/03/23/convolutional-autoencoder-clustering-images-with-neural-networks/)이며, 얼굴을 벡터로 표현하는 역할을 합니다. 동일 인물의 얼굴 쌍은 다른 사람들의 얼굴 쌍보다 [더 유사할](https://sefiks.com/2020/05/22/fine-tuning-the-threshold-in-face-recognition/) 것으로 기대합니다.
유사도는 [코사인 유사도(Cosine Similarity)](https://sefiks.com/2018/08/13/cosine-similarity-in-machine-learning/), 각도 거리(Angular Distance), 유클리드 거리(Euclidean Distance) 또는 L2 정규화된 유클리드 거리와 같은 다양한 측정 기준을 통해 계산할 수 있습니다. 기본 설정은 코사인 유사도를 사용합니다. [실험](https://github.com/serengil/deepface/tree/master/benchmarks)에 따르면, 특정 거리 측정 기준이 다른 것보다 월등히 뛰어난 성능을 보이지는 않습니다.
```python
metrics = ["cosine", "euclidean", "euclidean\_l2", "angular"]
result = DeepFace.verify(
img1\_path = "img1.jpg", img2\_path = "img2.jpg", distance\_metric = metrics[1]
)
dfs = DeepFace.find(
img\_path = "img1.jpg", db\_path = "C:/my\_db", distance\_metric = metrics[2]
)
```
\*\*API\*\* - [`Demo`](https://youtu.be/HeKCQ6U9XmI), [`Docker Demo`](https://youtu.be/9Tk9lRQareA)
DeepFace는 API도 제공합니다. 자세한 내용은 [`api 폴더`](https://github.com/serengil/deepface/tree/master/deepface/api/src)를 참조하세요. DeepFace 소스 코드를 복제(clone)한 후 다음 명령어로 API를 실행할 수 있습니다. gunicorn 서버를 사용하여 REST 서비스를 구동합니다. 이 방식으로 모바일 앱이나 웹 같은 외부 시스템에서 DeepFace를 호출할 수 있습니다.
```shell
# running the service directly
cd scripts && ./service.sh
# running the service via docker
cd scripts && ./dockerize.sh
```

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/deepface-api.jpg)

API에서는 안면 검증, 안면 속성 분석, 벡터 표현, 그리고 등록 및 검색 기능을 지원합니다. API는 파일 업로드(폼 데이터 방식), 정확한 이미지 경로, URL, 또는 base64로 인코딩된 문자열(JSON 또는 폼 데이터 방식) 형태로 이미지를 입력받습니다.
```shell
$ curl -X POST http://localhost:5005/represent \
-d '{"model\_name":"Facenet", "img":"img1.jpg"}'
$ curl -X POST http://localhost:5005/verify \
-d '{"img1":"img1.jpg", "img2":"img3.jpg"}'
$ curl -X POST http://localhost:5005/analyze \
-d '{"img": "img2.jpg", "actions": ["age", "gender"]}'
$ curl -X POST http://localhost:5005/register \
-d '{"model\_name":"Facenet", "img":"img18.jpg"}'
$ curl -X POST http://localhost:5005/search \
-d '{"img":"img1.jpg", "model\_name":"Facenet"}'
```
\*\*DeepFace Cloud\*\* - [`Demo`](https://youtu.be/5o7ezk0MMqM)
DeepFace를 직접 호스팅하고 확장하고 싶지 않으신가요? [`deepface.dev`](https://deepface.dev?source=deepface\_repo)는 DeepFace 기반으로 구축된 관리형 API를 제공합니다.
- 검증, 임베딩, 벡터 비교를 위한 단일 API
- 문서 및 기계 판독 가능한 에이전트 문서: [`docs.deepface.dev`](https://docs.deepface.dev?source=deepface\_repo)
- 전용 MCP 키를 사용하는 MCP 엔드포인트: `https://deepface.dev/mcp`
- 테스트부터 프로덕션까지 확장 가능한 사용량 기반 가격 책정
### 확장된 응용 프로그램 (Extended Applications)
DeepFace는 안면 인식뿐만 아니라, 다음과 같이 흥미롭고 통찰력 있는 응용 프로그램에도 사용할 수 있습니다.
\*\*나와 닮은 셀럽 찾기 (Find Your Celebrity Look-Alike)\*\* - [`Demo`](https://youtu.be/jaxkEn-Kieo), [`Real-Time Demo`](https://youtu.be/RMgIKU1H8DY), [`Tutorial`](https://sefiks.com/2019/05/05/celebrity-look-alike-face-recognition-with-deep-learning-in-keras/)
DeepFace는 당신의 얼굴 특징을 분석하여 유명인과 매칭해주므로, 어떤 유명인과 가장 닮았는지 확인할 수 있습니다.

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/celebrity-look-alike-2.jpg)

\*\*자녀가 누구를 더 닮았는지 찾기\*\* - [`Demo`](https://youtu.be/nza4tmi9vhE), [`Tutorial`](https://sefiks.com/2022/12/22/decide-whom-your-child-looks-like-with-facial-recognition-mommy-or-daddy/)
DeepFace를 사용하면 자녀의 얼굴을 부모나 친척의 얼굴과 비교하여 자녀가 누구를 더 닮았는지 확인할 수도 있습니다.

![](https://raw.githubusercontent.com/serengil/deepface/master/icon/parental-look-alike-scaled.jpg)

## 후원
프로젝트를 지원하는 방법은 다양합니다. GitHub 저장소에 별표(⭐️)를 누르는 것도 그 중 하나입니다 🙏 이 프로젝트가 더 많은 사람들에게 알려지는 데 정말 큰 도움이 됩니다.
이 작업이 마음에 드신다면, [Patreon](https://www.patreon.com/serengil?repo=deepface), [GitHub Sponsors](https://github.com/sponsors/serengil) 또는 [Buy Me a Coffee](https://buymeacoffee.com/serengil)를 통해 재정적으로 후원하실 수도 있습니다.
[![](https://raw.githubusercontent.com/serengil/deepface/master/icon/patreon.png)](https://www.patreon.com/serengil?repo=deepface)
## 인용
연구에 도움이 되었다면 출판물에 deepface를 인용해 주세요. BibTeX 항목은 다음과 같습니다:
```BibTeX
@article{serengil2026boosted,
title = {Boosted LightFace: A Hybrid DNN and GBM Model for Boosted Facial Recognition},
author = {Serengil, Sefik Ilkin and Ozpinar, Alper},
journal = {Gazi University Journal of Science},
volume = {39},
number = {1},
pages = {452-466},
year = {2026},
doi = {10.35378/gujs.1794891},
url = {https://dergipark.org.tr/en/pub/gujs/article/1794891},
publisher = {Gazi University}
}
```
또한, GitHub 프로젝트에서 deepface를 사용하는 경우 `requirements.txt`에 `deepface`를 추가해 주세요.
## 라이선스
DeepFace는 MIT License에 따라 라이선스가 부여됩니다. 자세한 내용은 [`LICENSE`](https://github.com/serengil/deepface/blob/master/LICENSE)를 참조하세요.
DeepFace는 다음과 같은 여러 외부 얼굴 인식 모델을 래핑합니다: [VGG-Face](http://www.robots.ox.ac.uk/~vgg/software/vgg\_face/), [Facenet](https://github.com/davidsandberg/facenet/blob/master/LICENSE.md) (128d 및 512d 모두), [OpenFace](https://github.com/iwantooxxoox/Keras-OpenFace/blob/master/LICENSE), [DeepFace](https://github.com/swghosh/DeepFace), [DeepID](https://github.com/Ruoyiran/DeepID/blob/master/LICENSE.md), [ArcFace](https://github.com/leondgarse/Keras\_insightface/blob/master/LICENSE), [Dlib](https://github.com/davisking/dlib/blob/master/dlib/LICENSE.txt), [SFace](https://github.com/opencv/opencv\_zoo/blob/master/models/face\_recognition\_sface/LICENSE), [GhostFaceNet](https://github.com/HamadYA/GhostFaceNets/blob/main/LICENSE), [Buffalo\_L](https://github.com/deepinsight/insightface/blob/master/README.md). 그 외에도 나이, 성별, 인종/민족 모델은 VGG-Face의 백본을 기반으로 전이 학습을 통해 학습되었습니다. 마찬가지로 DeepFace는 다양한 얼굴 검출기를 래핑합니다: [OpenCv](https://github.com/opencv/opencv/blob/4.x/LICENSE), [Ssd](https://github.com/opencv/opencv/blob/master/LICENSE), [Dlib](https://github.com/davisking/dlib/blob/master/LICENSE.txt), [MtCnn](https://github.com/ipazc/mtcnn/blob/master/LICENSE), [Fast MtCnn](https://github.com/timesler/facenet-pytorch/blob/master/LICENSE.md), [RetinaFace](https://github.com/serengil/retinaface/blob/master/LICENSE), [MediaPipe](https://github.com/google/mediapipe/blob/master/LICENSE), [YuNet](https://github.com/ShiqiYu/libfacedetection/blob/master/LICENSE), [Yolo](https://github.com/ultralytics/ultralytics/blob/main/LICENSE), [CenterFace](https://github.com/Star-Clouds/CenterFace/blob/master/LICENSE). 마지막으로 DeepFace는 주어진 이미지가 진짜인지 가짜인지 판별하기 위해 선택적으로 [face anti spoofing](https://github.com/minivision-ai/Silent-Face-Anti-Spoofing/blob/master/LICENSE)을 사용합니다. 이러한 모델을 활용하려는 경우 라이선스 유형이 상속됩니다. 프로덕션 목적으로 사용하는 경우 해당 모델의 라이선스 유형을 확인하시기 바랍니다.
DeepFace [로고](https://thenounproject.com/term/face-recognition/2965879/)는 [Adrien Coquet](https://thenounproject.com/coquet\_adrien/)이 제작했으며 [Creative Commons: By Attribution 3.0 License](https://creativecommons.org/licenses/by/3.0/)에 따라 라이선스가 부여됩니다.

deepface

deepface 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

deepface

deepface 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README