PaddleX上线人脸定位与识别端到端模型产线，为安全监控、身份认证、智能家居等领域保驾护航

▎背景介绍

人脸识别任务是计算机视觉领域的一个重要应用方向，旨在通过分析和比较人脸特征，实现对个人身份的自动识别。该任务不仅需要检测图像中的人脸，还需要对人脸图像进行特征提取和匹配，从而在数据库中检索匹配到对应的身份信息。人脸识别广泛应用于安全认证、监控系统、社交媒体和智能设备等场景。

PaddleX 人脸识别产线是专注于解决人脸定位和识别任务的端到端模型产线，可以从图像中快速准确地定位人脸区域、提取人脸特征，并与特征库中预先建立的特征做检索比对，从而确认身份信息。

PaddleX 人脸识别产线主要由人脸检测、人脸特征和向量检索三个模块组成：

人脸检测模块：人脸检测模块利用目标检测算确定图像中是否存在人脸目标，并准确地标出其位置；

人脸特征模块：人脸特征模块以检测模块检测得到的人脸图像作为输入，通过深度学习模型提取具有高度辨识性的人脸特征向量；

向量检索模块：计算特征向量和特征底库的相似度，从而得到对应目标的身份 ID。

PaddleX 提供了4个人脸检测模型：BlazeFace 模型是由谷歌提出的轻量高效人脸检测模型，能够在移动设备和 web 端快速进行人脸检测。BlazeFace-FPN-SSH 模型通过在 BlazeFace 模型的基础上添加 FPN 和 SSH 的 neck 结构，牺牲了一点性能换来了更高的检测精度。同时，我们在人脸检测数据集上，基于飞桨的特色检测模型 PicoDet 和 PP-YOLOE+进行了训练，得到了精度更为优秀的人脸检测模型 PicoDet_LCNet_x2_5_face 和 PP-YOLOE_plus-S_face。

注：以上精度指标是在 WIDER-FACE 验证集上，以640*640作为输入尺寸评估得到的。所有模型 GPU 推理耗时基于 NVIDIA V100机器，精度类型为 FP32， CPU 推理速度基于 Intel(R) Xeon(R) Gold 6271C CPU @ 2.60GHz，精度类型为 FP32。

同时，PaddleX 目前支持了基于 ArcFace 损失函数训练的人脸特征模型，包括 MobileFaceNet 和 ResNet50_face。MobileFaceNet 在轻量化模型 MobileNetv2的基础上，降低了模型对输入图像的下采样倍率，替换 ReLU 激活函数为 PReLU，以及采用全局深度卷积层(GDConv)替代传统的全局平均池化层(GAP)，以更好地捕捉人脸特征。ResNet50_face 模型是在 ResNet50的基础上针对人脸识别任务进行了调整，将整体的下采样倍率从原先的32x 降低到了16x。

注：以上精度指标是分别在 AgeDB-30、CFP-FP 和 LFW 数据集上测得的 Accuracy。所有模型 GPU 推理耗时基于 NVIDIA Tesla T4机器，精度类型为 FP32， CPU 推理速度基于 Intel(R) Xeon(R) Gold 5117 CPU @ 2.00GHz，线程数为8，精度类型为 FP32。

02

使用方法

下面就从零开始，基于 PaddleX 体验人脸识别产线：

▎安装

（详细代码请移步至百度AI公众号内同篇文章查看）

PaddleX 提供了简单易用的 Python API，只需几行代码即可体验端到端预测效果，在人脸识别的运行示例中需要预先构建索引库，您可以下载官方提供的 demo 测试数据集，方便大家快速体验效果：

上述代码中：

1.首先使用产线名称调用 create_pipeline方法实例化产线对象；

2.然后调用 build_index方法构建人脸特征向量库；

3.最后即可使用 predict方法进行预测，对于预测结果支持 print方法进行打印，以及 save_to_img方法进行可视化并保存为图片。

人脸识别产线官方权重可视化结果

人脸识别产线在卡通数据上微调后的可视化结果

如果对产线的预训练模型效果满意，可以直接对产线进行高性能推理/服务化部署/端侧部署，如果不满意，您也可以使用 PaddleX 进行便捷高效的二次开发，使用自己场景的数据对模型微调训练获得更优的精度。

基于 PaddleX 便捷的二次开发能力，使用统一命令即可完成数据校验、模型训练与评估推理，无需了解深度学习的底层原理，按要求准备好场景数据，简单运行命令即可完成模型迭代，此处以人脸检测模型训练为例：

上述命令中，首先指定所用模型的配置文件（此处为
PicoDet_LCNet_x2_5_face.yaml），然后选择模式为模型训练：-o Global.mode=train，再指定数据集路径：-o Global.dataset_dir 即可。

更多参数也可以继续在命令中追加参数设置：如指定前2卡 gpu 训练：-o Global.device=gpu:0,1；设置训练轮次数为10：-o Train.epochs_iters=10。此外，相关参数均可通过修改.yaml 配置文件中的 Global 和 Train 的具体字段来进行设置。

其余更详细的使用方法及产线部署、自定义数据集相关的内容，请参考 PaddleX 官方教程文档：

■ 人脸识别产线使用教程

03

精彩课程预告

为了帮助您迅速且深入地了解人脸识别全流程解决方案，百度研发工程师将于11月28日（今日）19:00为您深度解析本次技术升级。此外，我们还将开设针对人脸识别产线的产业场景实战营，手把手带您体验从数据准备、数据校验、模型训练、性能优化到模型部署的完整开发流程。机会难得，立即扫描下方二维码预约吧！