Back to Details

insightface_arcface

Compare original and translation side by side

🇺🇸

Original

English
🇨🇳

Translation

Chinese

insightface_arcface

insightface_arcface

InsightFace con el modelo ArcFace R100 es el estándar de facto en reconocimiento facial de alta precisión. Genera embeddings de 512 dimensiones que permiten comparar identidades con alta fiabilidad.
搭载ArcFace R100模型的InsightFace是高精度人脸识别领域的事实标准，可生成512维embedding，支持高可靠性的身份比对。

When to use

适用场景

Usar como modelo principal de face matching entre la selfie verificada y la foto extraída del documento.
作为核心模型用于已验证自拍照与从证件中提取的照片之间的人脸匹配。

Instructions

使用说明

  1. Instalar: 
    pip install insightface onnxruntime-gpu
    .
  2. Inicializar: 
    app = FaceAnalysis(name='buffalo_l', providers=['CUDAExecutionProvider'])
    . 
    app.prepare(ctx_id=0, det_size=(640, 640))
    .
  3. Detectar y extraer embedding de selfie: 
    faces = app.get(selfie_img)
    . 
    selfie_embedding = faces[0].embedding
    .
  4. Detectar y extraer embedding de foto de documento (con ESRGAN si baja resolución).
  5. Normalizar embeddings: 
    e1 = selfie_embedding / np.linalg.norm(selfie_embedding)
    .
  6. Calcular similitud coseno: 
    similarity = np.dot(e1, e2)
    .
  7. Umbral de aceptación: 
    similarity > 0.45
    para ArcFace R100 (equivale a >85% en escala 0-1).
  8. Exportar modelo a ONNX para Triton: 
    onnx_model
    ya está incluido en InsightFace.
  1. 安装：
    pip install insightface onnxruntime-gpu
    。
  2. 初始化：
    app = FaceAnalysis(name='buffalo_l', providers=['CUDAExecutionProvider'])
    。
    app.prepare(ctx_id=0, det_size=(640, 640))
    。
  3. 检测并提取自拍照的embedding：
    faces = app.get(selfie_img)
    。
    selfie_embedding = faces[0].embedding
    。
  4. 检测并提取证件照的embedding（如果分辨率低可使用ESRGAN处理）。
  5. 归一化embedding：
    e1 = selfie_embedding / np.linalg.norm(selfie_embedding)
    。
  6. 计算余弦相似度：
    similarity = np.dot(e1, e2)
    。
  7. 接受阈值：ArcFace R100使用
    similarity > 0.45
    作为阈值（等价于0-1尺度下的>85%）。
  8. 导出模型为ONNX格式供Triton使用：InsightFace已内置
    onnx_model
    。

Notes

注意事项

  • Repositorio oficial: https://github.com/deepinsight/insightface
  • Modelos disponibles: 
    buffalo_l
    (alta precisión), 
    buffalo_s
    (más rápido, menor precisión).
  • El umbral 0.45 tiene FAR < 0.001% en LFW benchmark; ajustar según requisitos del negocio.
  • 官方仓库：https://github.com/deepinsight/insightface
  • 可用模型：
    buffalo_l
    （高精度）、
    buffalo_s
    （速度更快，精度更低）
  • 阈值0.45在LFW基准测试中的FAR < 0.001%，可根据业务需求调整。