/ Модель
Каталог

Характеристики

Лицензия
Apache 2.0
Библиотека
onnx
Опубликована
4 мая 2026

Ссылки

Hugging Face

minifasnet-v2-anti-spoofing-onnx

garciafido
Классификация изображенийИзображение → label

MiniFASNet-V2 в формате ONNX классифицирует обрезанное лицо как живое или как печатную фотографию либо повтор с экрана для проверки биометрической подлинности.

0скачиваний за 30 дней5лайковвеса обновлены4 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MiniFASNet-V2 — модель компьютерного зрения для обнаружения подмены лица, экспортированная в формат ONNX из весов проекта minivision-ai/Silent-Face-Anti-Spoofing. Она принимает обрезанное изображение лица размером 80×80 пикселей в формате BGR и возвращает вероятности трёх классов: живое лицо, печатная фотография и повтор изображения с экрана. Модель предназначена для проверки подлинности лица перед запуском идентификации и других биометрических сценариев.

Это сверточная архитектура MiniFASNet-V2 с размером эмбеддинга 128 и тремя выходными классами. Веса бит-эквивалентны исходным весам PyTorch; изменён формат сериализации на ONNX opset 11, поэтому для инференса можно использовать onnxruntime без зависимости от PyTorch. Для работы требуется заранее обнаружить и обрезать лицо, затем привести изображение к указанному формату и масштабу.

Модель классифицирует только атаки с печатными фотографиями и повторами с экрана; README не подтверждает устойчивость к другим типам атак или условиям съёмки. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • проверка живости лица перед идентификацией
  • обнаружение попытки пройти проверку по распечатанной фотографии
  • обнаружение повтора лица с экрана телефона или монитора
  • добавление проверки антиспуфинга в биометрический процесс входа

Ограничения

Модель ожидает уже обнаруженное лицо, обрезанное до 80×80 пикселей в формате BGR и нормализованное делением на 255; детектор лица и подготовка изображения должны быть реализованы отдельно. Описанные классы атак ограничены печатными фотографиями и повторами с экрана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MiniFASNet-V2 (ONNX)

ONNX export of the MiniFASNet-V2 (2.7_80x80) face anti-spoofing model from minivision-ai/Silent-Face-Anti-Spoofing.

What this is

A single-image face anti-spoofing classifier — given an 80×80 BGR face crop, returns a 3-class softmax [live, print-attack, replay-attack]. Used to gate identification flows against printed-photo / screen-replay attacks.

This repo redistributes the upstream weights converted to ONNX opset 11 so they can be loaded with onnxruntime (no PyTorch dependency at inference time). The model weights themselves are bit-equivalent to the upstream .pth — only the serialization format changed.

Provenance

  • Upstream weights: 2.7_80x80_MiniFASNetV2.pth — SHA-256 a5eb02e1843f19b5386b953cc4c9f011c3f985d0ee2bb9819eea9a142099bec0.
  • Upstream architecture: MiniFASNetV2(embedding_size=128, conv6_kernel=(5,5), drop_p=0.2, num_classes=3, img_channel=3) per minivision-ai/Silent-Face-Anti-Spoofing/src/model_lib/MiniFASNet.py.
  • Conversion: torch 2.2.2 → ONNX opset 11, torch.onnx.export with dynamic batch axis. Conversion script: see convert_minifasnet_to_onnx.py reproduced from garciafido/agilface's scripts/ directory.
  • ONNX SHA-256: d7b3cd9ba8a7ceb13baa8c4720902e27ca3112eff52f926c08804af6b6eecc7b
  • Size: 1,744,116 bytes.

Preprocessing

Input shape: (1, 3, 80, 80), float32, BGR, range [0.0, 1.0] (i.e. pixel / 255).

The reference pipeline:

  1. Detect a face (e.g. with OpenCV's YuNet) and obtain the bounding box.
  2. Crop the image with a 2.7× scale margin around the bbox center (matches the upstream filename prefix 2.7_80x80).
  3. Resize the crop to 80×80, BGR, no alignment warp.
  4. Normalize: pixel / 255 → [0, 1].
  5. Reshape HWC → NCHW, run inference.
  6. Apply softmax over the 3-class output. Liveness score = 1 - (p[print] + p[replay]).

A reference implementation lives at packages/infrastructure-py/src/agilface_infrastructure/ml/liveness_detector.py in the AgilFace repo.

License

Apache 2.0 — same license as the upstream model. The original LICENSE file is included in this repo (LICENSE). Attribution: minivision-ai (Beijing Mininglamp Vision Technology Co., Ltd.). This repo does not claim authorship or training of the model — only the format conversion.

Citation

If you use this model, cite the upstream work:

@misc{minivisionai2020silentantispoofing,
  title  = {Silent-Face-Anti-Spoofing},
  author = {Mininglamp Vision Technology Co., Ltd.},
  year   = {2020},
  howpublished = {\\url{https://github.com/minivision-ai/Silent-Face-Anti-Spoofing}},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · onnx

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
d29c875

0 моделей

    Создать бенчмарк