Otimize o DeepFace em hardware de baixo desempenho
O DeepFace, como uma biblioteca de ferramentas de aprendizagem profunda, pode enfrentar gargalos de velocidade ao ser executado em dispositivos de CPU. Aqui estão algumas soluções de otimização comprovadas:
- Incorporação facial pré-calculadaPara cenários de banco de dados que exigem consultas repetitivas, passe preventivamente o
DeepFace.represent()Calcule todos os vetores de características faciais e salve-os como um arquivo pickle, e carregue os dados incorporados diretamente para consultas subsequentes - Seleção de modelosEscolha um modelo leve, como o GhostFaceNet, em vez do VGG-Face, que pode ser especificado na inicialização.
model_name='GhostFaceNet' - controle de lotesUsado na análise de várias imagens
batch_sizeOs parâmetros controlam o número de tratamentos em uma única sessão (recomendações 4-8) - Pré-processamento de imagens: através de
enforce_detection=FalseIgnorar a detecção rigorosa de rosto ou usarresampleResolução de entrada reduzida
Para uma otimização mais completa, considere 1) usar o ONNX Runtime para acelerar a inferência, 2) usar uma versão quantificada do modelo e 3) compilar e instalar uma versão especialmente otimizada do TensorFlow Lite em um dispositivo como o Raspberry Pi.
Essa resposta foi extraída do artigoDeepFace: uma biblioteca Python leve para reconhecimento facial de idade, gênero, emoção e raçaO
Não pode ser reproduzido sem permissão:Ferramentas de produtividade de IA " Como resolver o problema da lentidão de execução do DeepFace em hardware de baixo desempenho?
