face_recognition 库需要很长时间执行，我也尝试使用 Numba 但我无法执行，如何优化以下代码？

Posted 2023-03-16

【中文标题】face_recognition 库需要很长时间执行，我也尝试使用 Numba 但我无法执行，如何优化以下代码？

【英文标题】：face_recognition library taking to much time to execute, I also tried to use Numba but I'm unable to execute, How to optimize following code?

【发布时间】：2021-03-27 07:51:46

【问题描述】：

face_encoding 包含 13 个人的嵌入，执行以下方法大约需要 9 秒

emb 和 face_encoding 的数据类型为 numpy.ndarray 数组

def face_match(emb, face_encoding):

    face_distances = face_recognition.face_distance(emb, face_encoding)
    
    return face_distances

我还尝试了使用 Numba 的以下代码，但我找不到哪里出错了

@jit(nopython=True)
def face_match(emb, face_encoding):

    face_distances = face_recognition.face_distance(emb, face_encoding)

    return face_distances

我也尝试过使用@njit(nopython=True)，但还是不行

【参考方案1】：

为什么不使用 deepface？它是基于 keras 的库。这就是为什么它很容易安装和运行。

#!pip install deepface
from deepface import DeepFace
resp = DeepFace.verify("img1.jpg", "img2.jpg")
print(resp["verified"])

它的默认人脸识别模型是 VGG-Face，但它也包含 Google FaceNet、OpenFace、Facebook DeepFace、DeepID、Dlib 和 ArcFace。

models = ['VGG-Face', 'Facenet', 'OpenFace', 'DeepFace', 'DeepID', 'Dlib', 'ArcFace']
resp = DeepFace.verify("img1.jpg", "img2.jpg", model_name = models[1])

此外，如果您想在数据库中查找身份，它具有自定义查找功能。

DeepFace.find("img1.jpg", db_path = 'C:/my_db')

在这里，您需要将面部图像（.jpg 或 .png）存储在 my_db 文件夹中。 find 函数在此处返回与 img1 相同的身份图像。

【讨论】：

谢谢你的建议，我会试试这个，让你知道。实际上，我正在将面部识别给出的 128 数组保存到 DB 中，我正在创建帧数组并将该数组保存到 'emb' 中，并且我正在从 DB 中获取 'face_encoding'。我附加了我之前注册过的所有人的数组，以便以后可以使用它。我想现在你明白我在做什么了。那你觉得我该怎么办？

您也可以使用 deepface 提取嵌入。请阅读其文档。 model = DeepFace.build_model("Facenet");嵌入 = model.predict(img);

【参考方案2】：

所需时间取决于该库的实现。

要使库更快，您必须更改库的代码。如果库使用numpy 或scipy，那么速度可能取决于系统上可用的线性代数包。

Numba 可以编译纯 python 和 numpy 的子集（例如没有 python 列表），并且使用 @njit 不允许函数的任何不可编译部分。所以这绝对不应该工作。