FaceID-6M

FaceID-6M是第一个大规模的开源FaceID数据集，包含600万高质量文本-图像对。该数据集从LAION-5B中筛选出来，经过严格的图像和文本过滤过程，以确保数据集质量。图像过滤使用预训练的人脸检测模型去除不含人脸、包含超过三张人脸、分辨率低或人脸占据图像总面积少于4%的图像。文本过滤则采用基于关键词的策略，保留包含人类相关术语的描述，如人物、国籍、种族、职业和姓名等。通过这些清理过程，FaceID-6M提供了一个高质量的数据集，用于训练强大的FaceID定制模型，推动该领域的研究和开发。

FaceID-6M is the first large-scale open-source FaceID dataset, which contains 6 million high-quality text-image pairs. This dataset is curated from LAION-5B, undergoing rigorous image and text filtering processes to ensure its quality. For image filtering, a pre-trained face detection model is used to remove images that contain no human faces, more than three human faces, have low resolution, or where the face area accounts for less than 4% of the total image area. As for text filtering, a keyword-based strategy is adopted to retain descriptions that contain human-related terms, such as person, nationality, race, occupation, name and other similar terms. Through these cleaning processes, FaceID-6M provides a high-quality dataset for training robust FaceID customized models, promoting research and development in this field.

原始信息汇总

FaceID-6M 数据集概述

基本信息

• 数据集名称: FaceID-6M
• 论文链接: FaceID-6M: A Large-Scale, Open-Source FaceID Customization Dataset
• 发布日期: 2025年3月3日

数据集简介

• 规模: 包含600万高质量文本-图像对
• 来源: 从LAION-5B数据集过滤而来
• 过滤标准:
  • 图像过滤: 使用预训练的人脸检测模型去除不符合要求的图像
  • 文本过滤: 保留包含人类相关术语的描述

数据集版本

1. FaceID-70K
   • 规模: 约70K文本-图像对
   • 过滤标准: 去除宽度或高度低于1024像素的图像
   • 下载链接: FaceID-70K
2. FaceID-6M
   • 规模: 完整数据集
   • 下载链接: FaceID-6M

数据集内容

• 文件类型:
  • *.png: 图像文件
  • *.npy: 预计算的人脸关键点
  • ./face: 包含人脸文件的目录
  • *.jsonl: 描述或文本

模型发布

1. InstantID-FaceID-70K
   • 训练数据集: FaceID-70K
   • 下载链接: InstantID-FaceID-70K
2. InstantID-FaceID-6M
   • 训练数据集: FaceID-6M
   • 下载链接: InstantID-FaceID-6M

使用说明

训练步骤

1. 下载所需模型
   • 从Huggingface下载
2. 下载数据集
   • 合并和解压数据集文件
3. 训练
   • 配置训练脚本并运行

推理步骤

1. 配置推理脚本
2. 运行推理脚本

联系方式

• 邮箱: [e-mail]

搜集汇总

数据集介绍

构建方式

FaceID-6M数据集是从LAION-5B这一包含数十亿文本-图像对的大规模公开数据集中筛选而来。通过预训练的人脸检测模型，数据集剔除了不含人脸、包含超过三张人脸、分辨率过低或人脸占比小于4%的图像。同时，采用基于关键词的文本过滤策略，保留了包含人类相关术语的描述，如人物、国籍、种族、职业和姓名等。这一严格的筛选过程确保了数据集的高质量，使其成为训练FaceID定制模型的理想资源。

特点

FaceID-6M数据集包含600万高质量的文本-图像对，是目前首个大规模开源的FaceID定制数据集。其特点在于数据的高分辨率和多样性，涵盖了广泛的人类特征和场景。通过实验验证，该数据集在训练FaceID定制模型时表现出色，能够显著提升模型的性能，尤其是在人脸相似度和图像生成质量方面。此外，数据集还提供了不同规模的子集，便于研究者在资源有限的情况下进行实验。

使用方法

使用FaceID-6M数据集进行训练时，首先需要下载所需的模型和数据集。模型可从Huggingface平台获取，数据集则分为FaceID-70K和FaceID-6M两个版本，后者需通过邮件申请下载链接。下载后，需执行合并和解压操作以恢复完整文件。训练过程中，需配置训练脚本中的模型路径和数据集路径，并运行脚本进行训练。推理时，需填写推理脚本中的模型路径、提示词和人脸图像路径，并运行脚本生成结果。

背景与挑战

背景概述

FaceID-6M数据集是首个大规模开源的FaceID定制数据集，包含600万高质量文本-图像对。该数据集由LAION-5B数据集经过严格的图像和文本过滤处理而成，旨在为FaceID定制模型的训练提供高质量资源。FaceID-6M的创建时间为2025年，由Super-shuhe团队主导开发。其核心研究问题在于如何通过大规模数据集提升FaceID定制模型的性能，尤其是在人脸识别和生成领域的应用。该数据集的发布为相关领域的研究提供了重要的数据支持，推动了FaceID定制技术的进步。

当前挑战

FaceID-6M数据集在构建和应用过程中面临多重挑战。首先，数据集的构建需要从数十亿的LAION-5B数据中筛选出高质量的人脸图像和文本对，这一过程涉及复杂的图像和文本过滤算法，确保数据的高质量和多样性。其次，数据集的规模庞大（约1.3TB），存储和分发成为技术难题，团队不得不探索多种存储和分发方案以支持研究者的访问。此外，如何在大规模数据集上高效训练模型，同时平衡性能与计算成本，也是该数据集应用中的一大挑战。这些挑战不仅考验了数据处理和存储技术，也推动了FaceID定制模型在性能和效率上的优化。

常用场景

经典使用场景

FaceID-6M数据集在面部识别和个性化定制领域具有广泛的应用。其经典使用场景包括训练高精度的面部识别模型，特别是在需要处理大规模、多样化面部数据的场景中。通过提供600万高质量文本-图像对，FaceID-6M能够支持复杂的深度学习模型训练，提升面部识别的准确性和鲁棒性。

实际应用

在实际应用中，FaceID-6M数据集被广泛用于开发个性化面部识别系统，如智能门禁、身份验证和社交媒体应用。其高质量的数据支持了高精度模型的训练，使得这些系统能够在复杂环境下保持稳定的性能。此外，FaceID-6M还被用于开发虚拟现实和增强现实中的面部表情捕捉技术，提升了用户体验。

衍生相关工作

FaceID-6M数据集衍生了许多相关研究工作，特别是在面部识别和个性化定制领域。基于该数据集，研究人员开发了多种先进的深度学习模型，如InstantID模型，这些模型在面部识别精度和生成图像的真实感方面取得了显著进展。此外，FaceID-6M还推动了面部识别算法的公平性和多样性研究，促进了该领域的进一步发展。