前言

最近还报名了一个AI嵌入式的小项目，自己玩玩吧。和insightface的内容相关。

操作

步骤 1：环境准备

安装必要的软件和工具：
- 确保系统安装了以下工具：
  - Python (建议 3.8 以上)
  - CUDA (如使用 GPU 加速)
  - pip 或 conda 包管理工具
- 如果没有 GPU，也可以使用 CPU，但速度会慢。

克隆 InsightFace 项目代码：

git clone https://github.com/deepinsight/insightface.git
cd insightface

创建虚拟环境并安装依赖：

使用 pip 或 conda 安装依赖：

# 创建虚拟环境并指定版本
conda create -n insightface python=3.9
# 激活虚拟环境
conda activate insightface
# 安装所需依赖
pip install -r requirements.txt

安装 PyTorch（或 MXNet）：

去官网查询，找到对应的版本，复制链接下载

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
   
4. **下载预训练模型：**
   
   - InsightFace 提供了人脸检测 (RetinaFace) 和识别 (ArcFace) 的预训练模型。
   
   - 下载模型：
     - RetinaFace: https://github.com/deepinsight/insightface/tree/master/detection/retinaface
     - ArcFace 模型库：https://github.com/deepinsight/insightface/tree/master/recognition
     
   - 确保模型文件存储在正确的路径，或自行调整路径。
   
     
     
     

---

### **步骤 2：快速搭建 Demo**

1. **Demo 脚本结构：**
   - **功能**：加载一张图片，进行人脸检测，然后识别或提取人脸特征。
   - 以下代码展示了一个简单的实现：

   ```python
   import cv2
   import numpy as np
   from insightface.app import FaceAnalysis
   
   # 1. 初始化人脸分析模型
   def init_insightface():
       app = FaceAnalysis(name="buffalo_l")  # 使用 InsightFace 提供的预训练模型
       app.prepare(ctx_id=0, det_size=(640, 640))  # ctx_id=0 表示使用 GPU，-1 表示 CPU
       return app
   
   # 2. 人脸检测与特征提取
   def process_image(app, img_path):
       # 加载图片
       img = cv2.imread(img_path)
       if img is None:
           print("无法加载图片，请检查路径")
           return
   
       # 检测人脸
       faces = app.get(img)
       if not faces:
           print("未检测到人脸")
           return
   
       # 绘制检测结果
       for face in faces:
           box = face.bbox.astype(int)
           cv2.rectangle(img, (box[0], box[1]), (box[2], box[3]), (255, 0, 0), 2)
           print("人脸特征向量：", face.normed_embedding)  # 打印特征向量
   
       # 显示结果
       cv2.imshow("Detected Faces", img)
       cv2.waitKey(0)
       cv2.destroyAllWindows()
   
   if __name__ == "__main__":
       # 初始化
       app = init_insightface()
   
       # 输入图片路径
       img_path = "your_image_path.jpg"  # 替换为你的图片路径
       process_image(app, img_path)

代码说明：
- FaceAnalysis 是 InsightFace 的核心模块，支持人脸检测和特征提取。
- ctx_id 设置为 0 时，使用 GPU 加速；设置为 -1 时，使用 CPU。
- 检测到的人脸可以通过 bbox 提取位置，normed_embedding 提取特征向量。

步骤 3：运行 Demo

确保图片路径正确，例如 img_path = "test.jpg"。
运行脚本：
python demo.py
成功运行后，程序将显示检测到的人脸，并在终端输出人脸的特征向量。

步骤 4：扩展功能

在 Demo 基础上，可以尝试添加更多功能：

实时摄像头检测：

替换图片加载部分，改为调用摄像头：

cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret:
        break
    faces = app.get(frame)
    # ...绘制检测结果
    cv2.imshow("Real-Time Detection", frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

人脸匹配（比对）：

对两张图片提取特征向量，计算余弦相似度判断是否为同一人：

from scipy.spatial.distance import cosine

embedding1 = face1.normed_embedding
embedding2 = face2.normed_embedding
similarity = 1 - cosine(embedding1, embedding2)
print(f"相似度：{similarity}")

批量处理：
- 加载文件夹中的多张图片，循环处理。
模型优化：
- 根据实际需求，使用量化模型或裁剪模型以提升性能。

快速构建insightface的demo

前言

操作

步骤 1：环境准备

步骤 3：运行 Demo

步骤 4：扩展功能

步骤 5：参考文档与资源