我正在开发一个使用face_recognition和opencv库在 Python 中进行人脸检测的小型应用程序。
我已经对一些人的数据进行了训练，并使用人脸识别登录到应用程序。
如果它从图片中检测到此人，则允许他登录，否则将它们发送到该人必须上传他的照片和其他信息的注册屏幕。
因此，如果有新的注册，我必须使用附加数据再次运行模型。
随着条目数量的增加，模型将花费更多时间，从而影响识别新注册人的时间。
我该如何为这种减速做好准备？
我可以减少再次训练模型或使用增量数据训练模型所需的时间吗？
如果您需要重新训练模型以对新面孔进行分类，这将无法很好地扩展到常规注册新人。除非仔细监控训练程序，否则您在新注册期间也可能会出现准确性故障。
相反，需要注册新项目的识别系统通常不会重新训练。他们接受了分离物体的一般任务的训练——识别它们是否不同或它们有什么不同。
实现这种分离的一种常见方法是使用 NN 将人脸图像映射到描述性向量，并根据距离将每个新图像与存储的个人资料图片向量进行匹配。距离，即使到最近的存储向量，也应该很小，以便将其视为成功匹配。然后，注册新用户只需保存从神经网络计算的新向量嵌入。匹配可以通过数据库查找来完成——它们仍然受限于你可以多快地进行距离计算来寻找匹配，但你只需要向前运行一次 NN。距离计算可以是快速和批量的——它应该很容易使用，例如 tensorflow 或 torch 在几分之一秒内计算 1000 个潜在匹配。
为了确保根据人脸的差异对人脸进行很好的分类，忽略光照、姿势、发型等，需要在训练网络时牢记这一目标。一种方法是使用两对图像进行三元组损失训练，一个应该匹配，另一个不应该匹配。
Andrew Ng 的 CNN 课程很好地涵盖了这种方法，从这个讲座开始。
我遇到了类似的问题。我所做的如下。
将每个人脸提取的特征保存在文件中。
再次运行模型时加载这些特征。
尽管完成成功的工作项目需要一些时间，但结果令人满意。