InsightFace

网址： deepinsight / insightface 环境准备： （1）GPU，由于要用到GPU，所以GPU的环境比较重要。先要安装GPU的驱动，相应的教程，我在前几篇博客里写到，这里不再说明。 需要说明的是，如果你换过内核版本了，有些内核源码没有，CUDA10，9之间的区别，你需要重新安装内核DEV版本，这样在安装GPU驱动的时候，就会源码可以被驱动使用，这样才可以成功安装GPU的驱动。 （2）使用anaconda . 一般情况下，我们安装2.7. 需要其它环境，再安装。 在很多机器学习的教程里，我们看到了它使用2.7. 比如这个insightface的工程，其实可能是最初始的时候，他使用了2.7，但后来，很多优秀的模块构建在新的版本之上 ，其它很多依赖的环境都变化了； 但也不能最新3.7，因为很多要用的模块都还来不及构建。 所以比较合适的选择是3.6. conda install 在无法找到要安装的模块时，anaconda search -t conda 去寻找；注意选择与你环境相符合的版本。 当然如果你选择了3.6，一般情况下都是有的。 环境非常重要，足可以让你浪费很长的时间，做到如上两点，应该可以清晰搞定环境 。 工程理解 https://github.com/deepinsight/insightface.git 对于工程的理解

（1）确保本地环境对GPU的支持，当数据集的制作需要tensorflow里，需要安装gpu版本的tensorflow 测试脚本： https://github.com/dualven/insightface/blob/master/src/align/tensorflowTest.py 安装脚本： conda install tensorflow-gpu （2） 修改align脚本align_gbcom.py 放开gpu限制。 正常情况下，程序启动有如下 打印，与GPU相关： （3）align命令 python align_gbcom.py --input-dir /data/gbcomFaceBase/images/ --output-dir ../../datasets/gbcom2020-2 --image-size 112,112 说明： https://github.com/dualven/insightface/blob/master/src/common/face_image.py https://github.com/dualven/insightface/blob/master/src/align/align_gbcom.py align_gbcom 调用 face_image。 生成了lst 针对我们目前的目录结构进行原始数据处理 （4） property

信息安全越来越重要，而身份验证是其中最重要的一项。随着人工智能的逐渐成熟，生物多因子的认证技术也被更加广泛的应用到不同场景。所谓生物多因子认证，就是利用认证人所拥有的生物信息（包括指纹、人脸、声纹等）实现的一种更加安全的身份认证方式。 这次的直播我们将教你如何用 InsightFace 提取人脸特征， Deep Speaker 提取声纹特征，然后在 Milvus 中做混合认证。 | 直播流程 InsightFace 与 Deep Speaker 介绍 Demo搭建 答疑 | 讲师介绍 陈室余 ZILLIZ 数据工程师 | 活动信息 时间： 7/30 （Thur.) 7:00 PM - 7:45 PM 直播报名： https://www.slidestalk.com/m/242 （示说网，”阅读原文“可跳转至页面） https://www.huodongxing.com/go/9555233068622 （活动行） | 看直播拿好礼 我们会从报名的名单中抽出 15 名 幸运的童鞋送出限量的小哥哥.....身上的 Milvus （第二代）T恤 ！ 7 /29 前报名才有机会参加抽奖喔，手慢无！ 示说网或活动行这两个平台报名都可以参加抽奖！ 穿上这件T恤你就是今夏最靓的仔 | 欢迎加入 Milvus 社区 github.com/milvus-io/milvus | 源码 milvus

视觉 AI 作为一个已经发展成熟的技术领域，具有丰富的应用场景和商业化价值，全球 40% 的 AI 企业都集中在视觉 AI 领域。近年来，视觉 AI 除了在智能手机、智能汽车、智慧安防等典型行业中发挥重要作用外，更全面渗入细分的实体行业，催生了如车站人脸实名认证、人脸支付、小区人脸门禁管理、酒店自助人脸实名登记等视觉 AI 的应用。 人脸识别是视觉 AI 领域中技术成熟度、商业应用程度都比较高的一个技术。人脸识别又称为面部识别，是基于生物特征的识别方式。与指纹识别等传统的识别方式相比，人脸识别具有实时、准确、易于使用、稳定、难仿冒、无须接触等特点。 本文将介绍一个人脸识别项目。此项目基于开源的人脸检测算法 MTCNN、人脸识别库 InsightFace，以及向量相似度搜索引擎 Milvus 实现。 | 关键技术 人脸识别通常包括人脸检测、人脸特征提取、人脸特征比对这三个环节。 人脸检测 人脸检测是人脸识别完整流程中的一个环节。人脸识别系统首先用摄像头采集含有人脸的图像或视频流，然后用人脸检测技术检测人脸位置、定位五官关键点、提取人脸，随后才能进行人脸图像预处理及人脸特征提取。 在实际商业化方案中，人脸检测也可独立于人脸识别进行使用。比如近期被广泛应用的 AI 测温设备就是基于人脸检测技术迅速锁定人脸区域，从而实现红外热成像远距离自动测温。 人脸特征提取

Insight Face在2019年提出的最新人脸检测模型，原模型使用了deformable convolution和dense regression loss， 在 WiderFace 数据集上达到SOTA。截止2019年8月，原始模型尚未全部开源，目前开源的简化版是基于传统物体检测网络RetinaNet的改进版，添加了SSH网络的检测模块，提升检测精度，作者提供了三种基础网络，基于ResNet的ResNet50和ResNet152版本能提供更好的精度，以及基于mobilenet（0.25）的轻量版本mnet，检测速度更快。 比较突出的工作是加入了 extra-supervised 和 self-supervised ； 来源： oschina 链接： https://my.oschina.net/u/4365362/blog/4271895

人脸识别简介 简单来讲，人脸识别这个问题，就是给定两个人脸，然后判定他们是不是同一个人，这是它最原始的定义。它有很多应用场景，比如银行柜台、海关、手机解锁、酒店入住、网吧认证，会查身份证跟你是不是同一个人。 关于人脸识别的内容，网上资料很多，这里推荐一篇综述，详细介绍了一些人脸识别的背景和目前的相关研究，以及常用的人脸识别模型： http://www.elecfans.com/d/709424.html 好了，直接进入主题，今天的重点： insightface论文： https://arxiv.org/abs/1801.07698 insightface github项目： https://github.com/deepinsight/insightface 制作数据集 一、环境配置 官方提供的项目是基于mxnet框架的 因此首先需要配置好这些环境，这里假设已经安装好cuda等 mxnet的安装相对来说比较简单（相对于caffe） （1）查询自己cuda的版本 # 输入 nvcc -V # 输出结果 nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2017 NVIDIA Corporation Built on Fri_Sep__1_21:08:03_CDT_2017 Cuda compilation tools,