开源照片管理工具digiKam发布了最新7.0的测试版，这个版本主要的更新是换掉旧有的脸部识别技术，改采用深度学习算法，以强化脸部识别的功能，过去要6张脸照才能开始进行人脸识别，但现在只要1张。
digiKam早从第二版开始，就提供了脸部侦测与识别的功能，但因为后台使用的算法较旧，无法有效支持自动化人脸管理工作流程。过去使用的方法是OpenCV函数库中，基于特征的级联分类器（Cascade Classifier），用来隔离或是标记人脸。
这种旧方法无法提供高水准的侦测结果，虽然分析时可以获得约80％的良好结果，但是用户需要提供大量反馈，以协助程序确认是否侦测到人脸，且根据用户在bug管理系统上的反应，旧的人脸识别功能无法良好地自动识别人脸并进行标记。
而其实早在2017年，社群就打算在digiKam的人脸识别中使用深度学习技术，但是当时使用的是Dlib函数库，其神经网络的表现不佳，因为计算速度慢，所以也只能当作概念的技术验证，无法真正的应用在生产环境中。而在今年，这项计划又被重新打开，保留了部分想法，但是在侦测和识别引擎上，则使用了更新的深度学习方法。
新的实例是基于OpenCV函数库中的深度神经网络功能，将预学习数据模型用于脸部管理上，不需要学习阶段就可以进行脸部侦测与识别，整体执行速度更快且正确率达到97%，而且还能用于侦测非人像是狗的脸。新的神经网络模型的性能很好，可以侦测模糊、屏蔽、侧面以及只有一部分的脸部。
而在脸部识别方面，新的实例只需要一张照片就可以开始执行，这比起过去的实验性功能，需要6张照片脸部识别功能才可开始运行，效率明显高出不少，当然，标记越多脸孔，脸部识别功能的精确度就越好，现在的精确度可达95％，而过去的实例运算速度慢，且精确度一直无法突破75％。运算性能也获得大幅度的改进，由于新实例支持多核心运算，因此可以加快计算速度。
由于新的实例允许使用其他预学习数据模型，因此官方预告，他们还会将侦测与识别功能，扩展应用到诸如纪念碑、植物与动物等不同类型的物体上。目前测试阶段发现了一些内存泄漏的复杂问体，开发团队正着手解决中。
