InsightFace 快速上手

最新推荐文章于 2025-04-11 17:08:55 发布

zxfeng~

最新推荐文章于 2025-04-11 17:08:55 发布

阅读量2.1k

点赞数 8

分类专栏： AI 文章标签： python insightface 人脸识别人脸检测人工智能

本文链接：https://blog.csdn.net/qq_30479517/article/details/145262139

版权

AI 专栏收录该内容

13 篇文章

订阅专栏

简介

InsightFace是一个开源的2D/3D人脸分析工具，基于Pytorch和MXNet实现，包含多个人脸识别、人脸检测和人脸对齐的前沿算法，经过优化适合高效的训练与部署。

环境准备与安装

环境需求

操作系统：Ubuntu 22.04
CUDA：11.8
Python：3.10
PyTorch：2.1.0

安装步骤

InsightFace 的安装非常简单，可以通过以下命令直接完成：

pip install insightface -i https://pypi.tuna.tsinghua.edu.cn/simple

在github上的代码库中还有对安装的一些介绍

可以看到，除了安装insightface库外，为了使用GPU，我们还需要安装一些额外的库，如onnxruntime-gpu以启用 GPU 推理。

pip install mxnet onnxruntime-gpu numpy==1.23.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

注意事项

卸载onnxruntime
如果您的系统已经安装了 onnxruntime，请在安装 onnxruntime-gpu 前卸载它，否则可能会导致推理过程中出现冲突错误。
pip uninstall onnxruntime
修改 numpy 版本
使用 InsightFace 的 insightface-cli 工具时，可能会因 numpy 的版本不兼容报错：
AttributeError: module ‘numpy’ has no attribute ‘bool’
经过尝试，将 numpy 的版本修改为 1.23.2可以避免这个错误。
解决动态库缺失问题
如果报错如下：
FAIL : Failed to load library libonnxruntime_providers_cuda.so with error: libcublasLt.so.11: cannot open shared object file: No such file or directory
则根据下表安装对应版本的onnxruntime-gpu。

CUDA	cuDNN	PyTorch	onnxruntime-gpu	Install command
12.x	9.x	2.4.1	1.19.2	pip install onnxruntime-gpu==1.19.2
12.x	8.9	2.3.1	1.18.0	pip install onnxruntime-gpu==1.18.0 --extra-index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/onnxruntime-cuda-12/pypi/simple/
11.8	8.9	2.3.1	1.19.2	pip install onnxruntime-gpu==1.19.2 --extra-index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/onnxruntime-cuda-11/pypi/simple/

我尝试的是第三行的安装命令，可以解决我报错的问题。

模型下载

InsightFace 提供了多种模型用于不同场景的人脸分析，如下图所示：
在这里插入图片描述

为了能够正常进行推理，我们首先需要使用insightface-cli下载相应的模型：

insightface-cli model.download buffalo_sc

默认会使用 buffalo_l 模型，如果没有提前下载，系统会在首次运行时自动下载。为了节省资源，我们可以选择更小的 buffalo_sc 模型。
github上下载链接为google drive，我已将其上传至百度云盘，如果github上的链接无法访问，可以使用以下百度云盘链接获取模型：

链接: https://pan.baidu.com/s/1vGcAq1piOEyYPphHq4f_4A?pwd=4n85
提取码: 4n85

推理与测试

人脸检测

完成上述安装和模型下载后，我们可以使用 InsightFace 进行人脸检测。以下是完整的代码示例：

import cv2
import numpy as np
import insightface
from insightface.app import FaceAnalysis
from insightface.data import get_image as ins_get_image

app = FaceAnalysis(name="buffalo_sc",providers=['CUDAExecutionProvider', 'CPUExecutionProvider'])
app.prepare(ctx_id=0, det_size=(640, 640))
img = ins_get_image('/tmp/code/computer_version/insightface/j1')
faces = app.get(img)
rimg = app.draw_on(img, faces)
cv2.imwrite("./j1_output.jpg", rimg)

说明

模型名称指定
初始化 FaceAnalysis 时，需指定模型名称为 buffalo_sc。如果未指定，系统将自动下载并使用默认的 buffalo_l 模型。
图片路径
经尝试，图片路径需要为绝对路径，否则会报错。执行ins_get_image读取图片时，支持的图片格式包括 .jpg、.png 和 .jpeg，无需额外指定后缀名。
图片j1.jpg为我们自己准备好的图片，如下图：

执行上述代码进行推理，推理结果就会输出到图片j1_output.jpg中，如下图所示：

人脸识别

在完成检测的基础上，我们可以进一步实现人脸识别，通过比较目标人脸与检测结果的人脸特征向量计算相似度。以下是完整代码：

# 将人脸特征向量转换为矩阵
feats = []
for face in faces:
    feats.append(face.normed_embedding)
feats = np.array(feats, dtype=np.float32)
 
# 提取目标人脸向量
target = ins_get_image("/tmp/code/computer_version/insightface/target")
target_faces = app.get(target)   # 得到人脸信息
target_feat = np.array(target_faces[0].normed_embedding, dtype=np.float32)
 
# 人脸向量相似度对比
sims = np.dot(feats, target_feat)
target_index = int(sims.argmax())
 
rimg = app.draw_on(img, [faces[target_index]])   # 将人脸框绘制到图片上
cv2.imwrite("j1_output_target.jpg", rimg)        # 保存图片