如何高效存储FaceNet数据？

Question

我正在使用Facenet算法进行人脸识别。我想基于此创建应用程序，但问题是Facenet算法返回一个长度为128的数组，即每个人的人脸嵌入。

对于人物识别，我必须找到两个人面部嵌入之间的欧几里得差异，然后检查它是否大于阈值。如果是，那么这些人是相同的；如果它小于，那么这些人是不同的。

比方说，如果我必须在10k人的数据库中找到人x。我必须计算每个人嵌入的差异，这是没有效率的。

有没有办法有效地存储这张脸并搜索效率更高的人？

我想读这个博客会对其他人有所帮助。

它很详细，也涵盖了实现的大部分方面。

以每秒400张图像的速度对3.3亿张人脸进行人脸识别

Answer 1

首先制作一个包含10000个人脸编码的字典，就像Face_recognition示例中显示的那样，然后将其存储为泡菜文件。当加载到内存中时，需要一个函数来查找X人脸编码和10000个预编码人脸之间的距离。看看它是如何工作的。我以这种方式操作数百万张人脸。

Answer 2

听起来你需要一个最近的邻居搜索。你可以看看各种空间分区数据结构，比如kd-tree

Answer 3

建议您将其储存在redis或cassandra中。它们的性能将超过关系数据库。

这些键值存储可以将多维向量存储为值。

你可以用deepface找到嵌入向量。我在下面分享了一个示例代码片段。

#!pip install deepface
from deepface import DeepFace
img_list = ["img1.jpg", "img2.jpg", ...]

model = DeepFace.build_model("Facenet")
for img_path in img_list:
    img_embedding = DeepFace.represent(img_path, model = model)
    #store img_embedding into the redis here