Les jeux de données faciaux publics existants sont fortement biaisés en faveur des visages caucasiens, et d'autres groupes raciaux (par exemple, latino) sont significativement sous-représentés. Cela peut entraîner une précision incohérente des modèles, limiter l'applicabilité des systèmes d'analyse faciale aux groupes non blancs et avoir un impact négatif sur les résultats de recherche basés sur de telles données biaisées. Pour atténuer le biais racial dans ces jeux de données, nous avons construit un nouveau jeu de données d'images faciales, contenant 108 501 images, avec une emphase sur la composition raciale équilibrée. Nous définissons 7 groupes raciaux : Blanc, Noir, Indien, Asiatique de l'Est, Asiatique du Sud-Est, Moyen-Orient et Latino. Les images ont été collectées à partir du jeu de données YFCC-100M Flickr et étiquetées selon les groupes raciaux, genrés et âgés. Des évaluations ont été réalisées sur des jeux de données existants d'attributs faciaux ainsi que sur de nouveaux jeux de données d'images pour mesurer les performances de généralisation. Nous constatons que le modèle formé à partir de notre jeu de données est considérablement plus précis sur les nouveaux jeux de données et que la précision est cohérente entre les groupes raciaux et genrés.