使用 Azure Face API 从本地存储中的人脸列表中查找匹配的人脸

Question

我正在阅读 Azure 页面上的文档和 API，但我仍然不确定我在这里是否正确。

场景

我们的本地存储中有大约 100 万张证件照片。每个ID只包含一个人。

我们想在拍摄证件照时实施基本验证。然后小应用程序将使用 Azure Face API 浏览我们拥有的 100 万张证件照和 return匹配的照片或 return 如果我们的 ID 存储中是否有同一个人。

要做上面的事情，我相信我们需要编写软件来做下面的事情

1. 将所有照片上传到 Azure
2. 创建大面孔列表？
3. 训练模型
4. 然后我们可以做人脸识别或者人脸相似

以上步骤是否正确？

如果我使用上面的方法，那意味着我需要使用 'face storage' 来保留面部 ID，对吗？

1.Is 有没有办法避免这种人脸存储成本？因为保留100万张图片会花费很多

2. 当我验证时会计算多少笔交易？算作1吗？

我也在考虑使用 Container Cognitive，这样它就可以 运行 在本地使用本地存储。

这会帮助我节省人脸存储成本吗？当我 运行 容器存储应该不需要支付。我只需要支付检测、验证等交易费用

欢迎在这个领域提出任何新的意见，请指导我。

Answer 1

您的工作流程总体上是正确的：

• 创建大型人员组
• 将每个照片 ID 作为一个人添加到带有面孔的组中（这是两个 API 调用：创建人物 + 添加人物面孔）
• 训练Person Group（因为会很长所以不时检查训练状态）
• 使用识别进行搜索

您唯一应该考虑的是大型人员组的架构。当您需要 add/delete/update 团队时，为 100 万人使用单个整体式 LPG 将是一个杀手。每次变化的训练时间都会很长。一种策略（用于添加新人）是添加一个 "transaction" LPG - 一个较小的 LPG，包括所有 hourly/daily/weekly（任何对你有用的）添加，以便你可以快速训练变化。您将 运行 在 "main" 和 "transaction" LPG 上进行搜索（识别），然后偶尔 "commit" 将交易转入主 LPG。 see here in the Face API docs

关于您的其他问题：

• 派生的人脸数据无法避免存储成本
• 每个 API 调用都是一个事务：创建 LPG、创建人、添加人脸、火车、获取火车状态等
• 我没有使用认知容器功能的经验，但我相信 API 调用的定价完全相同。