# FaceRecognition2

**Repository Path**: wang525976683/FaceRecognition2

## Basic Information

- **Project Name**: FaceRecognition2
- **Description**: 人脸识别
- **Primary Language**: Unknown
- **License**: GPL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2024-01-03
- **Last Updated**: 2024-01-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# FaceRecognition2
##详细介绍

https://zhuanlan.zhihu.com/p/668313093

##用到的模型

https://www.modelscope.cn/models/damo/cv_resnet50_face-detection_retinaface/summary

https://www.modelscope.cn/models/bubbliiiing/cv_retinafce_recognition/summary

##介绍

人脸识别

训练过程：
![输入图片说明](picture/%E8%AE%AD%E7%BB%831.png)

1.拿到用户照片集(原始照片)，通过人脸定位模型，为每张照片，定位人脸。

2.将面部区域进行缩放至相同大小，为了避免面部扭曲，长宽缩放的比例应该相同，并通过调整边框宽窄使图片长宽全部相同。

3.将每张图片通过面部特征向量提取模型转化为512维的向量（为了感官舒适图中以3维为例）。

4.将图片信息用关系型数据库（SQLDB）保存，转化的向量用faiss向量数据库保存（FaissDB）。

预测过程：
![输入图片说明](picture/%E9%A2%84%E6%B5%8B1.png)

1.拿到一张待预测照片，经过人脸定位、缩放、面部特征提取得到一个512维得向量。

2.通过faiss检索该向量，并返回相似度最高的Top N个Vector ID以及对应的空间距离。

3.结合检索结果预测该照片最可能是数据库中的谁。

#### 依赖工具
受硬件限制，本项目使用的工具普遍版本较低，优势是cpu就能跑，比较银杏。

基本环境


    python                              3.7
    modelscope                     1.9.4
    onnx2pytorch                   0.4.1
    pytorch-wavelets               1.3.0
    torch                          1.13.1+cpu
    torchvision                    0.14.1
    SQLAlchemy                     1.4.49
    SQLAlchemy-Utils               0.41.1
    faiss-cpu                      1.7.3

界面

    gradio                         3.34.0
    gradio_client                  0.2.6



#### 使用说明

#训练界面

1.首先创建连接：该步骤会初始化各种模型，以及数据库，耗时较长。

![输入图片说明](%E8%AE%AD%E7%BB%834.png)

2.导入要训练的用户。

![输入图片说明](picture/%E8%AE%AD%E7%BB%832.png)

可以直接以文件的形式批量导入(参考example/example.csv)，也可单人一个一个导入，在右侧的用户列表可以预览要添加的用户，也可通过列表的id（最左侧一列）删除要添加的用户。

批量导入需要创建一个csv文件，如下格式。注意folder_input目录下最少要有对应用户的10张有效照片。

3.Train

15分钟左右。查看日志如果没有报错就是成功了，

#预测界面

![输入图片说明](picture/%E9%A2%84%E6%B5%8B2.png)

#### 参与贡献

1.  Fork 本仓库
2.  新建 Feat_xxx 分支
3.  提交代码
4.  新建 Pull Request