iOS 人脸识别持续学习
iOS Facial Recognition Continuous Learning
我的任务是找到使用 machine 学习在应用程序上创建面部识别功能的最佳方法。此功能将用于为员工计时进入应用程序。该功能将支持...
每个设备多个用户。
持续训练（所以当mlmodel识别出某人时，它会向后端的模型发送新图像并用最近拍摄的新图像训练模型）
更新类（当新用户出现并想使用该应用程序时，该应用程序将为他们拍照，并将这些图像发送到背面的模型训练程序-end 训练 mlmodel 识别新用户)
- 将新更新的模型发送到同一家商店中的其他设备，以便他们也能识别员工
我试过的。
我修改了设备上的培训和 Knn。但据我所知，设备上的训练对此不起作用，因为设备上的训练模型最多只能有 10 个 类 并且 knn 没有给出非常准确的结果......根本
使用 createML 进行手动训练和再训练。这是我...
- 在我的 mac
上使用 createML 训练模型
- 使用 URLSession 将模型下载到应用程序
- 使用该应用添加新用户或拍摄老用户的更新照片
- 将新 user/updated 老用户的图像发送到我的 mac
上的 createML
- 使用我为所有用户拍摄的所有图像创建一个全新模型
- 永远重复步骤 2-5
这很好用，但成本高得令人难以置信，耗时长，而且对于应用程序将拥有的最终用户数量而言，一遍又一遍地这样做是不可行的。
我对 machine 学习还是很陌生，我觉得我的做法是错误的。我只是想看看是否有人知道一种 better/more 有效的持续学习方法，这样模型就会记住它之前学到的东西，我可以使用 createML 向它添加新的 类 或图像...或者如果有人能指出我正确的方向。
要获得准确的结果，您应该研究更强大的机器学习模型。这是一个非常强大的人脸识别模型的示例：https://github.com/davidsandberg/facenet.
现在，下一个问题是您将如何将您的应用程序与这个新模型集成。这完全取决于您，但我建议您检查一些后端替代方案，例如利用 AWS 服务（EC2 计算服务器、Sagemaker、API 网关等）运行 并协调推理。这样做的几个好处是您的应用程序将主要是前端，从而使其轻便，并且还可以跨不同和较旧的 IOS 平台和设备进行扩展。但更重要的是，它为您提供了额外的支持 space 来在未来做更复杂的事情，而使用 CoreML 时您将主要受限于设备上的计算能力以及基于 swift 的语言.
但是，利用云服务还会带来其他缺点，例如学习曲线（学习 AWS 服务）和潜在的隐私问题。
这只是其中一种方式，还有许多其他类似的云提供商，如 Google 、IBM 和 Azure。在不知道你的时间表、预算、技术专长的情况下，我只能给你这些选择，剩下的选择由你决定
看看 Turi Create——同样来自 Apple：https://github.com/apple/turicreate
它可以完成 Create ML 所做的一切，但它处于 python 并且可编程，因此您可以在后端自动执行整个过程。如果您知道如何在 CreateML 中执行此操作，您会发现 Turi Create 很容易上手。
我的任务是找到使用 machine 学习在应用程序上创建面部识别功能的最佳方法。此功能将用于为员工计时进入应用程序。该功能将支持...
每个设备多个用户。
持续训练（所以当mlmodel识别出某人时，它会向后端的模型发送新图像并用最近拍摄的新图像训练模型）
更新类（当新用户出现并想使用该应用程序时，该应用程序将为他们拍照，并将这些图像发送到背面的模型训练程序-end 训练 mlmodel 识别新用户)
- 将新更新的模型发送到同一家商店中的其他设备，以便他们也能识别员工
我试过的。
我修改了设备上的培训和 Knn。但据我所知，设备上的训练对此不起作用，因为设备上的训练模型最多只能有 10 个 类 并且 knn 没有给出非常准确的结果......根本
使用 createML 进行手动训练和再训练。这是我...
- 在我的 mac 上使用 createML 训练模型
- 使用 URLSession 将模型下载到应用程序
- 使用该应用添加新用户或拍摄老用户的更新照片
- 将新 user/updated 老用户的图像发送到我的 mac 上的 createML
- 使用我为所有用户拍摄的所有图像创建一个全新模型
- 永远重复步骤 2-5
这很好用，但成本高得令人难以置信，耗时长，而且对于应用程序将拥有的最终用户数量而言，一遍又一遍地这样做是不可行的。
我对 machine 学习还是很陌生，我觉得我的做法是错误的。我只是想看看是否有人知道一种 better/more 有效的持续学习方法，这样模型就会记住它之前学到的东西，我可以使用 createML 向它添加新的 类 或图像...或者如果有人能指出我正确的方向。
要获得准确的结果，您应该研究更强大的机器学习模型。这是一个非常强大的人脸识别模型的示例：https://github.com/davidsandberg/facenet.
现在，下一个问题是您将如何将您的应用程序与这个新模型集成。这完全取决于您，但我建议您检查一些后端替代方案，例如利用 AWS 服务（EC2 计算服务器、Sagemaker、API 网关等）运行 并协调推理。这样做的几个好处是您的应用程序将主要是前端，从而使其轻便，并且还可以跨不同和较旧的 IOS 平台和设备进行扩展。但更重要的是，它为您提供了额外的支持 space 来在未来做更复杂的事情，而使用 CoreML 时您将主要受限于设备上的计算能力以及基于 swift 的语言.
但是，利用云服务还会带来其他缺点，例如学习曲线（学习 AWS 服务）和潜在的隐私问题。
这只是其中一种方式，还有许多其他类似的云提供商，如 Google 、IBM 和 Azure。在不知道你的时间表、预算、技术专长的情况下，我只能给你这些选择，剩下的选择由你决定
看看 Turi Create——同样来自 Apple：https://github.com/apple/turicreate
它可以完成 Create ML 所做的一切，但它处于 python 并且可编程，因此您可以在后端自动执行整个过程。如果您知道如何在 CreateML 中执行此操作，您会发现 Turi Create 很容易上手。