对每个人而言,真正的职责只有一个:找到自我。然后在心中坚守其一生,全心全意,永不停息。所有其它的路都是不完整的,是人的逃避方式,是对大众理想的懦弱回归,是随波逐流,是对内心的恐惧 ——赫尔曼·黑塞《德米安》
通过 AdaFace 提取人脸特征向量服务,项目来自:
https://github.com/mk-minchul/AdaFace
拿到人脸特征向量可以用于获取人脸相似度,通过两个人脸向量的余弦相似度得分
低质量人脸数据集
中的识别
具有挑战性,因为人脸属性被模糊和降级。基于裕量的损失函数
的进步提高了嵌入空间中人脸的可辨别性。
此外,以前的研究已经研究了适应性损失
的影响,以更加重视错误分类
的(硬)例子。在这项工作中,我们介绍了损失函数自适应性
的另一个方面,即图像质量
。我们认为,强调错误分类样本的策略应根据其图像质量进行调整。具体来说,简单和硬样品的相对重要性应基于样品的图像质量。
我们提出了一种新的损失函数,该函数根据图像质量强调不同难度的样本。我们的方法通过用特征范数近似图像质量,以自适应裕量函数的形式实现这一点
。大量的实验表明,我们的方法AdaFace
在四个数据集(IJB-B,IJB-C,IJB-S和TinyFace)上提高了最先进的(SoTA)的人脸识别性能。
@inproceedings{kim2022adaface,
title={AdaFace: Quality Adaptive Margin for Face Recognition},
author={Kim, Minchul and Jain, Anil K and Liu, Xiaoming},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
year={2022}
}
实际测试中发现,AdaFace
确实很强大,特别适合远距离,小目标,图片质量低的人脸识别。
关于 AdaFace 更多信息见: https://github.com/mk-minchul/AdaFace
详细信息可以看 AdaFace 的项目,或者我之前的文章,有一个结合作者 代码写的完整的人脸识别的Demo
当前项目做了简化,只提供 输出人脸特征向量的 能力
项目地址: https://github.com/LIRUILONGS/adaface
在这里插入图片描述
特别说明,输入图片不管是 字节还是,b64 编码,需要符合 照片为单个人脸
,做面部对齐处理(不是必须,可能会影响),大小:112*112
部署方式
conda env create -f /environment.yml
source activate AdaFace
pip install -r /requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
需要的预训练模型文件下载可以在作者的 github
项目主页找
使用方式,脚本方式可以直接运行测试
python AdaFaceFeature.py
PS W:\AdaFace_demo> w:; cd 'w:\AdaFace_demo'; & 'C:\Users\liruilong\AppData\Local\conda\conda\envs\AdaFace\python.exe' 'c:\Users\liruilong\.vscode\extensions\ms-python.python-2023.18.0\pythonFiles\lib\python\debugpy\adapter/../..\debugpy\launcher' '54612' '--' 'w:\AdaFace_demo\AdaFaceFeature.py'
获取特征开始
w:\AdaFace_demo\AdaFaceFeature.py:82: UserWarning: Creating a tensor from a list of numpy.ndarrays is extremely slow. Please consider converting the list to a single numpy.ndarray with numpy.array() before converting to a tensor. (Triggered internally at C:\actions-runner\_work\pytorch\pytorch\builder\windows\pytorch\torch\csrc\utils\tensor_new.cpp:248.)
tensor = torch.tensor([brg_img.transpose(2, 0,1)]).float()
[[0.04365507885813713, -0.02032642811536789, -0.011309171095490456, ......................-0.002891642739996314, -0.00423774728551507, -0.08181970566511154, 0....
提供了 Web 服务能力
开发
python flask_http_server.py
生产
gunicorn --worker-class gevent -b 0.0.0.0:30035 --timeout 300 flask_http_server:app
HTTP 调用
在这里插入图片描述
curl --location --request POST 'http://192.168.26.81:30035/b64_represent_json' \
--header 'Content-Type: text/plain' \
--data-raw 'iVBORw0KGgoAA.................................mCC'
输出 向量的 JSON 表示
[
[
0.054347388446331024,
-0.031644247472286224,
........................
0.022828513756394386,
-0.03679579123854637
]
]
打包了 Docker 镜像,可以直接使用
镜像地址: https://hub.docker.com/r/liruilong/adaface-face
docker pull liruilong/adaface-face
在这里插入图片描述
(adaface) ┌──[root@vms81.liruilongs.github.io]-[~/adaface/AdaFace_demo]
└─$ docker run --rm -p 30035:30035 adaface-face
(adaface) ┌──[root@vms81.liruilongs.github.io]-[~/adaface/AdaFace_demo]
└─$ docker run -p 30035:30035 --rm adaface-face gunicorn -w 3 --worker-class gevent -b 0.0.0.0:30035 --timeout 300 flask_http_server:app
该项目可以配合 https://github.com/LIRUILONGS/mtcnn_demo 使用
© 文中涉及参考链接内容版权归原作者所有,如有侵权请告知,这是一个开源项目,如果你认可它,不要吝啬星星哦 :)
https://github.com/mk-minchul/AdaFace
https://hub.docker.com/r/liruilong/adaface-face
© 2018-2023 1224965096@qq.com, All rights reserved. 保持署名-非商用-相同方式共享(CC BY-NC-SA 4.0)
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。