Dans cet article, nous présentons un ensemble de modèles extrêmement efficaces et à haut débit pour une vérification faciale précise, les MixFaceNets, qui sont inspirés des noyaux de convolution profonde mixtes (Mixed Depthwise Convolutional Kernels). Des évaluations expérimentales approfondies sur les ensembles de données Labelled Faces in the Wild (LFW), Age-DB, MegaFace et IARPA Janus Benchmarks IJB-B et IJB-C ont démontré l'efficacité de nos MixFaceNets pour les applications nécessitant une complexité computationnelle extrêmement faible. Avec une complexité computationnelle équivalente (< 500M FLOPs), nos MixFaceNets surpassent MobileFaceNets sur tous les ensembles de données évalués, atteignant une précision de 99,60 % sur LFW, 97,05 % sur AgeDB-30, 93,60 % de taux d'authentification (TAR) à un taux d'erreur fausse acceptation (FAR) de 1e-6 sur MegaFace, 90,94 % de TAR à un FAR de 1e-4 sur IJB-B et 93,08 % de TAR à un FAR de 1e-4 sur IJB-C. Avec une complexité computationnelle comprise entre 500M et 1G FLOPs, nos MixFaceNets ont obtenu des résultats comparables aux modèles classés en tête, tout en utilisant significativement moins de FLOPs et réduisant la charge computationnelle. Cela prouve la valeur pratique de nos MixFaceNets proposés. Tous les codes d'entraînement, les modèles pré-entraînés et les journaux d'entraînement sont disponibles à l'adresse suivante : https://github.com/fdbtrs/mixfacenets.