Что такое FaceX?
Быстрая библиотека на C для извлечения face-эмбеддингов (векторов лиц). Работает на CPU, не требует Python, GPU или ONNX Runtime. Размер — 148 КБ, скорость — 3 мс на лицо.
Проект / C
facex-engine/facex: FaceX — быстрая библиотека face-эмбеддингов на C без зависимостей
Превращайте фотографии лиц в векторы за 3 миллисекунды — без Python, GPU и ONNX Runtime.
FaceX — open-source библиотека на C99 для извлечения face-эмбеддингов (представлений лиц в виде векторов) на CPU. Использует модель EdgeFace-XS и собственные оптимизированные вычисления, обгоняя ONNX Runtime на 23% при той же точности (99.73% LFW). Работает...
Для кого это
Разработчики edge-устройств, систем контроля доступа, киосков, а также серверных приложений, где важна скорость и офлайн-работа. Подойдёт тем, кто устал от тяжеловесных зависимостей и хочет встроить распознавание лиц в C/C++ или Go проект.
Проблема / задача
Типичные библиотеки для извлечения face-эмбеддингов требуют Python, ONNX Runtime (28 МБ) или GPU, что избыточно для встраиваемых систем, киосков и конфиденциальных развёртываний. Установка и версионирование — головная боль.
Как это работает
FaceX — это одна C-функция: загружаете модель (однократно, ~100 мс), передаёте RGB-изображение лица 112×112, получаете 512-мерный вектор. Внутри — рукописные SIMD-ядра AVX2/AVX-512, INT8-квантование, кэш-оптимизированное расположение памяти и пул потоков. Библиотека собирается в статический .a файл размером 148 КБ, всё приложение с моделью — 7 МБ. Доступны биндинги для Go и CLI-утилита.
Что видно по README
FaceX — open-source библиотека на C99 для извлечения face-эмбеддингов (представлений лиц в виде векторов) на CPU. Использует модель EdgeFace-XS и собственные оптимизированные вычисления, обгоняя ONNX Runtime на 23% при той же точности (99.73% LFW). Работает полностью офлайн, не требует GPU, Python или ONNX Runtime. Исходный код распространяется под лицензией Apache 2.0, есть примеры для C и Go, Makefile для сборки,...
Ключевые возможности
Технологии
Темы и ключи
Интересный факт
На разработку оптимизированных ядер ушло шесть месяцев — каждый такт процессора выверялся вручную. В итоге библиотека на 23% быстрее ONNX Runtime без единой внешней зависимости.
С чего начать
- Скачайте или соберите библиотеку: make lib (нужен GCC, make, pthreads).
- Подключите include "facex.h" и слинкуйте с -lfacex -lm -lpthread.
- Загрузите модель facex_init("edgeface_xs_fp32.bin", NULL) и вызывайте facex_embed для каждого лица.
Оценка GitRadar
Удобство
7/10
Свежесть
8/10
Перспектива
9/10
Монетизация
6/10
Общая оценка
8/10
Вердикт GitRadar
Определённо стоит попробовать, если вам нужно высокопроизводительное распознавание лиц на CPU в офлайн-режиме. Особенно полезно для встраиваемых систем, киосков, контроля доступа и конфиденциальных развёртываний. Не подходит, если вам нужна поддержка GPU или ARM.
Наблюдения по обновлениям
Проект активно развивается: есть Makefile, CLI, утилита шифрования, Go-биндинги. Постоянно улучшается производительность.
Что мы проверили
Карточка собрана по данным GitHub, README и структуре репозитория. Это не официальная документация проекта.
- Исходный репозиторий
- https://github.com/facex-engine/facex
- Лицензия
- Apache-2.0
- Создан на GitHub
- 25 апреля 2026 г.
- Последнее обновление репо
- 25 апреля 2026 г.
- Последняя проверка GitRadar
- 25 апреля 2026 г.
- Изученные файлы
- README.md, Makefile, go/facex/go.mod, src/threadpool_stub.c, src/gemm_stub.c, src/threadpool.h
FAQ
Для кого подходит FaceX?
Для разработчиков edge-устройств (киоски, турникеты), серверных приложений, где важна скорость и низкая задержка, и для тех, кто хочет встроить распознавание лиц без тяжёлых зависимостей. Также подходит для Go-проектов через CLI.
Источники
Нужна помощь с facex-engine/facex?
Если проект подходит под ваш сценарий, можем помочь с установкой, интеграцией, доработкой или аккуратным форком под вашу инфраструктуру.